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 Supervision Faible

La supervision faible désigne une approche d'apprentissage automatique qui utilise des données étiquetées incomplètes, bruyantes ou de mauvaise qualité pour former des modèles. Cette méthode est particulièrement utile dans les scénarios où le coût de l'étiquetage des données est élevé ou où les données étiquetées sont rares. En exploitant une grande quantité de données non étiquetées ainsi qu'une petite quantité de données étiquetées, la supervision faible peut améliorer les capacités de généralisation et les performances prédictives d'un modèle.

Les techniques courantes en supervision faible incluent l'apprentissage auto-supervisé, la génération de pseudo-étiquettes, l'augmentation des données et l'apprentissage par transfert. Ces techniques utilisent efficacement les données non étiquetées, réduisant ainsi la dépendance à de grandes quantités de données étiquetées de haute qualité. La supervision faible a démontré des performances exceptionnelles dans diverses applications pratiques telles que le traitement du langage naturel, la vision par ordinateur et l'analyse d'images médicales.

Cependant, la supervision faible fait également face à certains défis. Les étiquettes bruyantes peuvent entraîner une diminution des performances du modèle, et un usage inapproprié peut introduire des biais. Par conséquent, le choix des méthodes et l'évaluation du modèle sont essentiels lors de l'application de la supervision faible.

À l'avenir, avec la croissance continue des applications basées sur les données, la supervision faible devrait trouver des applications dans davantage de domaines. Les chercheurs explorent continuellement des moyens d'améliorer les techniques de supervision faible afin d'augmenter leur stabilité et leur précision.