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 Supervisión Débil

La supervisión débil se refiere a un enfoque de aprendizaje automático que utiliza datos etiquetados incompletos, ruidosos o de baja calidad para entrenar modelos. Este método es especialmente útil en escenarios donde el costo de etiquetado de datos es alto o donde los datos etiquetados son escasos. Al aprovechar una gran cantidad de datos no etiquetados junto con una pequeña cantidad de datos etiquetados, la supervisión débil puede mejorar las capacidades de generalización y el rendimiento predictivo de un modelo.

Las técnicas comunes en la supervisión débil incluyen el aprendizaje auto-supervisado, la generación de pseudoetiquetas, la ampliación de datos y el aprendizaje por transferencia. Estas técnicas utilizan eficazmente datos no etiquetados, reduciendo la dependencia de grandes cantidades de datos etiquetados de alta calidad. La supervisión débil ha demostrado un rendimiento excepcional en diversas aplicaciones prácticas, como el procesamiento del lenguaje natural, la visión por computadora y el análisis de imágenes médicas.

No obstante, la supervisión débil también enfrenta algunos desafíos. Las etiquetas ruidosas pueden llevar a una disminución del rendimiento del modelo, y el uso inadecuado puede introducir sesgos. Por lo tanto, la selección cuidadosa del método y la evaluación del modelo son esenciales al aplicar la supervisión débil.

En el futuro, a medida que las aplicaciones basadas en datos continúen creciendo, se espera que la supervisión débil encuentre aplicaciones en más campos. Los investigadores están explorando continuamente formas de mejorar las técnicas de supervisión débil para aumentar su estabilidad y precisión.