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 qu'une variable latente

Une variable latente fait référence à des variables qui ne peuvent pas être observées directement, mais qui sont inférées à partir d'autres variables. Ces variables jouent un rôle crucial dans divers domaines tels que les sciences sociales, l'économie, la psychologie et l'apprentissage automatique.

Par exemple, en psychologie, le niveau d'intelligence ou les traits de personnalité sont des variables latentes qui peuvent être déduites d'un ensemble de tests observables. Des modèles comme la modélisation par équations structurelles aident les chercheurs à comprendre des relations complexes et à identifier l'influence de facteurs latents sur des résultats observables.

L'avantage des variables latentes réside dans leur capacité à gérer le bruit et l'incertitude dans les données, révélant des relations causales sous-jacentes. Cependant, le choix des variables latentes et la construction du modèle peuvent affecter l'interprétation des résultats, et le processus d'estimation nécessite généralement des modèles mathématiques sophistiqués et un grand volume de données.

À l'avenir, alors que la science des données et l'apprentissage automatique évoluent, les modèles de variables latentes pourraient devenir plus répandus dans des domaines tels que l'analyse de marché et les systèmes de recommandation. Les chercheurs et les développeurs d'applications doivent se concentrer sur les fondements théoriques et les applications pratiques des variables latentes pour garantir la fiabilité et l'efficacité des résultats.