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 inicialización centrada en cero / inicialización sin sesgo?

La inicialización centrada en cero o la inicialización sin sesgo es una técnica ampliamente utilizada en el aprendizaje automático y el aprendizaje profundo para establecer los pesos o parámetros iniciales de un modelo en cero. Este método tiene como objetivo evitar sesgos en las etapas iniciales del entrenamiento, mejorando la velocidad de convergencia y el rendimiento general del modelo.

En el aprendizaje profundo, la inicialización de los pesos de la red tiene un profundo impacto en el rendimiento final del modelo. Al inicializar los pesos en cero, el modelo puede aprender mejor la estructura de los datos durante el entrenamiento, sin la inestabilidad causada por pesos iniciales aleatorios. La clave de este método es reducir la información redundante en las primeras etapas del entrenamiento, ayudando al modelo a encontrar rápidamente soluciones óptimas.

Sin embargo, la inicialización en cero también tiene sus desventajas. Un problema importante es que, cuando todos los pesos se inicializan en cero, las salidas de cualquier capa de neuronas en el proceso de propagación hacia adelante son las mismas. Esto puede dificultar la actualización efectiva de los pesos durante el descenso del gradiente, impidiendo que el modelo aprenda. Por lo tanto, a menudo se recomienda utilizar otras estrategias de inicialización, como la inicialización Xavier o la inicialización He, en ciertos casos.