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 la Détection de Nouveauté / Détection d'Anomalies

La Détection de Nouveauté et la Détection d'Anomalies sont des techniques d'apprentissage automatique utilisées pour identifier des points de données qui s'écartent de manière significative des modèles attendus. Elles jouent un rôle crucial dans diverses applications telles que la détection de fraude financière, la sécurité des réseaux, le diagnostic médical et la surveillance industrielle.

Sur le plan technique, la Détection de Nouveauté fait référence à la détection de nouveaux échantillons non étiquetés dans le contexte de données normales connues, tandis que la Détection d'Anomalies se concentre sur l'identification de points de données anormaux qui s'écartent des modèles de comportement normal. La principale différence réside dans le fait que la Détection de Nouveauté traite des données normales non vues, tandis que la Détection d'Anomalies est basée sur des données étiquetées.

L'impact de ces techniques est profond, car elles permettent aux organisations de surveiller et de répondre en temps réel aux risques et problèmes potentiels, réduisant ainsi les pertes et améliorant l'efficacité. Avec l'augmentation du volume de données, l'importance de la Détection de Nouveauté et de la Détection d'Anomalies croît, et elles pourraient s'intégrer davantage aux technologies d'apprentissage profond et de big data pour améliorer la précision et l'efficacité de la détection.

Cependant, ces techniques sont également confrontées à des défis dans la pratique. Définir ce qui constitue 'normal' dans des environnements de données complexes et détecter efficacement dans des données de haute dimension sont des domaines nécessitant des recherches approfondies. De plus, la formation et la validation des modèles nécessitent une quantité substantielle de données étiquetées, qui peuvent ne pas être facilement disponibles dans certains domaines.