TopAIToolsTopAITools

Glossary

0-9
6DoF pose estimation4D data5G + AI1-shot learning0-shot learning3D convolution8-bit quantization7D representation2-stage detector9-layer network
A
Artificial Intelligence (AI)AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithm
B
BackpropagationBERTBiasBoostingBatch Normalization
C
Classifier / ClassificationCNN / Convolutional Neural NetworkClusteringCross-ValidationChatbot
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEncoderEmbeddingEpochExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionFeature ExtractionForward PropagationFoundation Model
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGenerative AIGraph Neural Network (GNN)
H
Hierarchical ModelHeuristicHallucinationHidden LayerHyperparameter
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JuxtapositionJitteringJAXJoint EmbeddingJSONL / JSON-lines
K
K-Shot LearningKernel TrickK-means ClusteringKnowledge DistillationKL Divergence (Kullback–Leibler Divergence)
L
Learning RateLarge Language Model (LLM)Loss FunctionLatent VariableLSTM / Long Short-Term Memory
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
NLP / Natural Language ProcessingNovelty Detection / Anomaly DetectionNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOverfittingOptimizer
P
PretrainingPoolingParameterPolicy / Reinforcement Learning PolicyPrompt
Q
Q-learningQueue / BufferQuantizationQuality EstimationQuery
R
Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation LearningRegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSequence ModelingSamplingSoftmax
T
Tuning / Hyperparameter TuningTokenizerTraining DataTransfer LearningTransformer
U
Unsupervised LearningUniversal Approximation TheoremUnderfittingUncertainty EstimationU-Net
V
Vector EmbeddingVariational Autoencoder (VAE)Validation SetVision Transformer (ViT)Vanishing / Exploding Gradient
W
Weight DecayWeak SupervisionWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemXAI / Explainable AIX-axis / feature axisXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUVYoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

¿Qué es el Aprendizaje Zero-shot / Inferencia Zero-shot?

El Aprendizaje Zero-shot (Zero-shot Learning, ZSL) es un enfoque de aprendizaje automático que permite a los modelos hacer inferencias sobre clases no vistas sin haber sido entrenados en ellas. Este enfoque es particularmente útil en escenarios donde el modelo necesita manejar nuevas categorías, como en el reconocimiento de imágenes. La esencia del ZSL radica en utilizar las características o atributos de las clases conocidas para inferir las de las clases desconocidas. Por ejemplo, un modelo puede clasificar una nueva categoría de objeto al entender sus propiedades, como reconocer un 'pájaro' al saber que es un 'animal con alas'.


En aplicaciones prácticas, el Aprendizaje Zero-shot se utiliza ampliamente en procesamiento de lenguaje natural, visión por computadora y sistemas de recomendación. Al utilizar descripciones de atributos o incrustaciones semánticas, los modelos pueden entender e inferir la naturaleza de nuevas categorías. Por ejemplo, en la clasificación de imágenes, un modelo puede identificar un 'pájaro' al comprender el concepto de 'animales con alas', incluso si nunca ha encontrado una imagen de un pájaro anteriormente.


La inferencia zero-shot se refiere a la aplicación de las capacidades de aprendizaje zero-shot durante el proceso de inferencia. Esta habilidad es crucial en muchos escenarios de aplicación, especialmente en áreas con escasez de datos o en campos emergentes, como la conducción autónoma, la robótica y las recomendaciones personalizadas.


Las ventajas de esta tecnología incluyen la mejora de la capacidad de generalización y flexibilidad de los modelos, reduciendo la dependencia de grandes cantidades de datos etiquetados. Sin embargo, quedan desafíos, como definir con precisión las relaciones entre categorías y tratar con atributos ruidosos.


De cara al futuro, a medida que la inteligencia artificial y las tecnologías de aprendizaje profundo evolucionen, se espera que el Aprendizaje Zero-shot y la Inferencia Zero-shot encuentren aplicaciones más amplias en diversos campos, impulsando la capacidad de aprendizaje autónomo de los sistemas inteligentes.