TopAIToolsTopAITools

Glossary

0-9
1-shot learning3D convolution5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector9-layer network0-shot learning4D data
A
AGI / Artificial General IntelligenceAttentionAutoencoderAlgorithmArtificial Intelligence (AI)
B
BackpropagationBatch NormalizationBERTBiasBoosting
C
ClusteringCNN / Convolutional Neural NetworkChatbotClassifier / ClassificationCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
EncoderEmbeddingEnsemble LearningEpochExplainable AI (XAI)
F
Foundation ModelFine-tuningFusion / Multimodal FusionFeature ExtractionForward Propagation
G
Graph Neural Network (GNN)GAN / Generative Adversarial NetworkGenerative AIGradient DescentGrounding
H
Hierarchical ModelHyperparameterHidden LayerHallucinationHeuristic
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Kernel TrickKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKnowledge Distillation
L
Learning RateLarge Language Model (LLM)Latent VariableLoss FunctionLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
Objective FunctionOptimizerOne-hot EncodingOnline LearningOverfitting
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQ-learningQuality EstimationQuantizationQueue / Buffer
R
Representation LearningRegularizationReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSequence ModelingSoftmaxSupervised Learning
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Universal Approximation TheoremU-NetUnderfittingUncertainty EstimationUnsupervised Learning
V
Validation SetVanishing / Exploding GradientVariational Autoencoder (VAE)Vector EmbeddingVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-gradient phenomenonZero-centric / Zero-bias initializationZ-score NormalizationZero-shot Learning / Zero-shot inferenceZygosity in augmentation

Was ist Zero-shot Learning / Zero-shot Inferenz?

Zero-shot Learning (ZSL) ist ein Ansatz des maschinellen Lernens, der es Modellen ermöglicht, Schlussfolgerungen über nicht gesehene Klassen zu ziehen, ohne dass sie darauf trainiert wurden. Dieser Ansatz ist besonders nützlich in Szenarien, in denen das Modell mit neuen Kategorien umgehen muss, wie z.B. bei der Bilderkennung. Das Wesen von ZSL besteht darin, die Eigenschaften oder Merkmale bekannter Klassen zu nutzen, um die Merkmale unbekannter Klassen abzuleiten. Zum Beispiel kann ein Modell eine neue Objektkategorie klassifizieren, indem es deren Eigenschaften versteht, wie das Erkennen eines 'Vogels', wenn es weiß, dass es sich um ein 'Tier mit Flügeln' handelt.


In der praktischen Anwendung wird Zero-shot Learning häufig in der Verarbeitung natürlicher Sprache, der Computer Vision und in Empfehlungssystemen eingesetzt. Durch die Verwendung von Attributbeschreibungen oder semantischen Einbettungen können Modelle die Natur neuer Kategorien verstehen und ableiten. Beispielsweise kann ein Modell bei der Bilderkennung einen 'Vogel' identifizieren, indem es das Konzept von 'Tieren mit Flügeln' versteht, selbst wenn es noch nie ein Vogelbild gesehen hat.


Die Zero-shot Inferenz bezieht sich auf die Anwendung der Fähigkeiten des Zero-shot Learning während des Inferenzprozesses. Diese Fähigkeit ist in vielen Anwendungsszenarien von entscheidender Bedeutung, insbesondere in datenarmen oder aufstrebenden Bereichen wie autonomem Fahren, Robotik und personalisierten Empfehlungen.


Die Vorteile dieser Technologie umfassen eine verbesserte Generalisierungsfähigkeit und Flexibilität der Modelle, wodurch die Abhängigkeit von großen Mengen markierter Daten verringert wird. Es bestehen jedoch weiterhin Herausforderungen, wie die präzise Definition der Beziehungen zwischen verschiedenen Kategorien und der Umgang mit Rauschattributen.


In Zukunft wird erwartet, dass Zero-shot Learning und Zero-shot Inferenz mit dem Fortschritt von Künstlicher Intelligenz und Deep Learning Technologien breitere Anwendungen in verschiedenen Bereichen finden und die Fähigkeit autonomer Lernsysteme vorantreiben.