Glossary

0-9

2-stage detector 9-layer network 5G + AI 0-shot learning 6DoF pose estimation 3D convolution 8-bit quantization 7D representation 1-shot learning 4D data

A

Algorithm Autoencoder AGI / Artificial General Intelligence Attention Artificial Intelligence (AI)

B

BERT Batch Normalization Backpropagation Bias Boosting

C

Chatbot Classifier / Classification CNN / Convolutional Neural Network Cross-Validation Clustering

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

Foundation Model Feature Extraction Fusion / Multimodal Fusion Forward Propagation Fine-tuning

G

GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding Graph Neural Network (GNN)

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

Representation Learning Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

Variational Autoencoder (VAE)Vector Embedding Validation Set Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

X-axis / feature axis XOR problem XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zygosity in augmentation Zero-gradient phenomenon

Qu'est-ce que le Réseau de Neurones Graphiques (GNN)

Les Réseaux de Neurones Graphiques (Graph Neural Networks, GNN) sont une classe de réseaux neuronaux conçus pour traiter des données représentées sous forme de graphes. Contrairement aux réseaux neuronaux traditionnels, les GNN sont capables de capturer efficacement les relations et les informations structurelles entre les nœuds d'un graphe. Cette capacité les rend particulièrement utiles dans des domaines tels que l'analyse des réseaux sociaux, les systèmes de recommandation et la prédiction des structures moléculaires chimiques.

La définition des GNN découle du besoin de traiter les données de graphe, qui sont prévalentes dans de nombreux domaines. Les réseaux neuronaux traditionnels ont souvent du mal à traiter ces données directement. Les GNN fonctionnent en agrégeant et en propageant l'information des nœuds, permettant à chaque nœud d'incorporer des informations de ses voisins, améliorant ainsi la compréhension de la structure globale du graphe. Grâce à l'empilement de plusieurs couches de réseaux neuronaux, les GNN peuvent progressivement extraire des caractéristiques de niveau supérieur.

En termes d'importance, les GNN ont obtenu des résultats remarquables dans plusieurs domaines, en particulier dans les graphes de connaissances et la segmentation d'images. De plus, avec l'émergence du big data et des réseaux complexes, les perspectives d'application des GNN sont vastes, pouvant jouer un rôle plus important dans les transports intelligents et l'évaluation des risques financiers à l'avenir.

Cependant, l'utilisation des GNN présente également certains défis, tels que la complexité de calcul élevée et les difficultés de formation du modèle. Par conséquent, dans les applications pratiques, il est essentiel de prendre en compte ces facteurs et d'effectuer une sélection et une optimisation appropriées du modèle.