Glossary

0-9

6DoF pose estimation 4D data 5G + AI 1-shot learning 0-shot learning 3D convolution 8-bit quantization 7D representation 2-stage detector 9-layer network

A

Artificial Intelligence (AI)AGI / Artificial General Intelligence Autoencoder Attention Algorithm

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Classifier / Classification CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Encoder Embedding Epoch Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation Foundation Model

G

GAN / Generative Adversarial Network Gradient Descent Grounding Generative AI Graph Neural Network (GNN)

H

Hierarchical Model Heuristic Hallucination Hidden Layer Hyperparameter

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

Juxtaposition Jittering JAX Joint Embedding JSONL / JSON-lines

K

K-Shot Learning Kernel Trick K-means Clustering Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)

L

Learning Rate Large Language Model (LLM)Loss Function Latent Variable LSTM / Long Short-Term Memory

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

NLP / Natural Language Processing Novelty Detection / Anomaly Detection NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Overfitting Optimizer

P

Pretraining Pooling Parameter Policy / Reinforcement Learning Policy Prompt

Q

Q-learning Queue / Buffer Quantization Quality Estimation Query

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation Learning Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sequence Modeling Sampling Softmax

T

Tuning / Hyperparameter Tuning Tokenizer Training Data Transfer Learning Transformer

U

Unsupervised Learning Universal Approximation Theorem Underfitting Uncertainty Estimation U-Net

V

Vector Embedding Variational Autoencoder (VAE)Validation Set Vision Transformer (ViT)Vanishing / Exploding Gradient

W

Weight Decay Weak Supervision Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem XAI / Explainable AI X-axis / feature axis XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUV Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

Qué es la Red Neuronal de Grafo (GNN)

Las Redes Neuronales de Grafo (Graph Neural Networks, GNN) son una clase de redes neuronales diseñadas para procesar datos representados como grafos. A diferencia de las redes neuronales tradicionales, las GNN son hábiles para capturar las relaciones y la información estructural de los nodos dentro de un grafo. Esta capacidad las hace particularmente útiles en campos como el análisis de redes sociales, los sistemas de recomendación y la predicción de estructuras moleculares químicas.

La definición de GNN surge de la necesidad de manejar datos de grafos, que son prevalentes en varios dominios. Las redes neuronales tradicionales a menudo luchan por procesar estos datos de manera directa. Las GNN funcionan agregando y propagando información de los nodos, permitiendo que cada nodo incorpore información de sus nodos vecinos, mejorando así la comprensión de la estructura general del grafo. A través de la apilación de múltiples capas de redes neuronales, las GNN pueden extraer progresivamente características de niveles más altos.

En términos de importancia, las GNN han logrado resultados notables en varias áreas, particularmente en grafos de conocimiento y segmentación de imágenes. Además, con el surgimiento de big data y redes complejas, las perspectivas de aplicación de las GNN son amplias, y podrían desempeñar un papel más importante en el transporte inteligente y la evaluación de riesgos financieros en el futuro.

Sin embargo, el uso de GNN también presenta algunos desafíos, como la alta complejidad computacional y las dificultades en el entrenamiento del modelo. Por lo tanto, en aplicaciones prácticas es fundamental considerar estos factores y realizar una selección y optimización razonables del modelo.