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 K-Shot Learning

Le K-Shot Learning est une approche d'apprentissage automatique axée sur les tâches d'apprentissage avec peu d'exemples. Il permet de former des modèles en utilisant un nombre minimal d'échantillons, leur permettant de bien performer sur de nouvelles tâches. Le 'K' dans K-Shot fait référence au nombre d'échantillons par classe, qui peut varier de 1 (One-Shot Learning) à 2, 3, etc.

Dans l'apprentissage automatique traditionnel, de grands ensembles de données étiquetées sont souvent nécessaires pour former des modèles. En revanche, le K-Shot Learning utilise efficacement les données existantes, réduisant ainsi la dépendance à de grands ensembles de données. Cette technique est largement appliquée dans des domaines tels que la reconnaissance d'images et le traitement du langage naturel, en particulier dans des scénarios où l'acquisition de données est coûteuse ou difficile.

Le fonctionnement typique du K-Shot Learning implique deux étapes clés : d'abord, former le modèle grâce à l'apprentissage par méta pour qu'il fonctionne bien sur diverses tâches ; ensuite, permettre au modèle de s'adapter rapidement à de nouvelles tâches en utilisant un nombre limité d'échantillons. À l'avenir, on s'attend à ce que le K-Shot Learning s'intègre à d'autres techniques d'apprentissage profond pour des tâches plus complexes.

Un des avantages du K-Shot Learning est qu'il permet un apprentissage efficace dans des conditions de rareté des données, ce qui le rend adapté à diverses applications du monde réel. Cependant, il est sensible au choix des échantillons et peut encore conduire à un surajustement lorsque le nombre d'échantillons est extrêmement limité.