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 el K-Shot Learning

El K-Shot Learning es un enfoque de aprendizaje automático dirigido a tareas de aprendizaje con pocos ejemplos. Permite que los modelos se entrenen utilizando un número mínimo de muestras, capacitándolos para desempeñarse bien en nuevas tareas. La 'K' en K-Shot se refiere a la cantidad de muestras por clase, que puede variar de 1 (One-Shot Learning) a 2, 3, etc.

En el aprendizaje automático tradicional, a menudo se requieren grandes conjuntos de datos etiquetados para entrenar modelos. En contraste, el K-Shot Learning utiliza de manera eficiente los datos existentes, reduciendo la dependencia de grandes conjuntos de datos. Esta técnica se aplica ampliamente en campos como el reconocimiento de imágenes y el procesamiento del lenguaje natural, especialmente en escenarios donde la adquisición de datos es costosa o desafiante.

La operación típica del K-Shot Learning implica dos etapas clave: primero, entrenar el modelo a través del aprendizaje meta para que se desempeñe bien en varias tareas; segundo, permitir que el modelo se adapte rápidamente a nuevas tareas utilizando un número limitado de muestras. En el futuro, se espera que el K-Shot Learning se integre con otras técnicas de aprendizaje profundo para tareas más complejas.

Una de las ventajas del K-Shot Learning es que permite un aprendizaje efectivo en condiciones de escasez de datos, lo que lo hace adecuado para varias aplicaciones del mundo real. Sin embargo, es sensible a la elección de muestras y aún puede dar lugar a sobreajuste cuando el número de muestras es extremadamente limitado.