TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que le 1-shot learning

Le 1-shot learning est une approche d'apprentissage automatique qui se concentre sur la manière d'apprendre à partir d'un seul échantillon d'entraînement pour réaliser des classifications efficaces. Cette méthode est particulièrement utile dans les scénarios où les données sont rares, comme la reconnaissance d'images et le traitement du langage naturel. Contrairement aux modèles d'apprentissage profond traditionnels qui nécessitent de grands ensembles de données pour l'entraînement, le 1-shot learning utilise les connaissances antérieures et l'apprentissage par transfert pour permettre aux modèles d'apprendre et de faire des prévisions précises à partir d'échantillons limités.


L'importance du 1-shot learning réside dans sa capacité à réduire considérablement les coûts de collecte et d'annotation des données, en particulier dans des domaines tels que l'imagerie médicale et la surveillance de sécurité, où obtenir de grandes quantités de données étiquetées peut être difficile et coûteux. Grâce à cette approche d'apprentissage, les modèles peuvent s'adapter rapidement à de nouvelles tâches, minimisant le temps d'entraînement et la consommation de ressources.


Cette technique d'apprentissage implique généralement la génération d'embeddings de caractéristiques et l'utilisation de métriques de distance (telles que la distance euclidienne ou la similarité cosinus) pour déterminer la similarité entre de nouveaux échantillons et des échantillons connus. Les techniques courantes incluent les réseaux Siamese, les réseaux de prototypes et l'apprentissage de métriques.


Les cas d'utilisation typiques incluent la reconnaissance faciale, la détection d'objets et la reconnaissance vocale. Par exemple, dans la reconnaissance faciale, le système n'a besoin de fournir qu'une image d'un nouveau visage pour identifier cette personne avec précision. À l'avenir, la tendance du 1-shot learning sera d'atteindre une plus grande précision et des domaines d'application plus larges, notamment dans le traitement en temps réel et l'apprentissage en ligne.


Cependant, le 1-shot learning présente également des limitations; les modèles peuvent être très sensibles au choix des échantillons et, si la qualité des échantillons est faible, le résultat de l'apprentissage peut être sous-optimal. Par conséquent, lors de l'application de cette méthode, il est nécessaire de sélectionner soigneusement les échantillons et de considérer la diversité des données.