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 Autoencoder Variacional (VAE)

El Autoencoder Variacional (Variational Autoencoder, VAE) es un modelo generativo que pertenece al ámbito del aprendizaje no supervisado. Su idea central es introducir la inferencia variacional en la estructura del autoencoder, lo que le permite aprender la representación latente de los datos y generar nuevas muestras.

La importancia del VAE radica en su aplicación en tareas como la generación de imágenes, la augmentación de datos y la imputación de datos faltantes. Funciona codificando los datos de entrada en una distribución en el espacio latente, en lugar de un único punto, capturando así mejor la diversidad de los datos.

Una aplicación típica del VAE se puede ver en la generación de imágenes, música y varios tipos de texto. A medida que los modelos generativos continúan evolucionando, se espera que el VAE desempeñe un papel más importante en campos como la creación artística, la realidad virtual y la simulación de datos. Sin embargo, el VAE también tiene sus limitaciones, como que la calidad de las muestras generadas puede no coincidir con la de las redes generativas adversariales (GAN).

Al utilizar el VAE, los investigadores y desarrolladores deben tener en cuenta la selección de parámetros del modelo, la dimensionalidad del espacio latente y los problemas de convergencia durante el entrenamiento. Con un diseño y ajuste adecuados, el VAE puede proporcionar un soporte poderoso para muchas aplicaciones.