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 l'initialisation centrée sur zéro / initialisation sans biais?

L'initialisation centrée sur zéro ou l'initialisation sans biais est une technique largement utilisée dans l'apprentissage automatique et l'apprentissage profond pour définir les poids ou paramètres initiaux d'un modèle à zéro. Cette méthode vise à éviter les biais dans les phases initiales de l'entraînement, améliorant la vitesse de convergence et les performances globales du modèle.

Dans l'apprentissage profond, l'initialisation des poids du réseau a un impact profond sur les performances finales du modèle. En initialisant les poids à zéro, le modèle peut mieux apprendre la structure des données pendant l'entraînement, sans l'instabilité causée par des poids initiaux aléatoires. La clé de cette méthode est de réduire les informations redondantes dans les phases initiales de l'entraînement, aidant le modèle à trouver rapidement des solutions optimales.

Cependant, l'initialisation à zéro présente également des inconvénients. Un problème majeur est que lorsque tous les poids sont initialisés à zéro, les sorties de n'importe quelle couche de neurones dans le processus de propagation vers l'avant sont les mêmes. Cela peut empêcher la mise à jour efficace des poids pendant la descente de gradient, empêchant le modèle d'apprendre. Par conséquent, il est souvent recommandé d'utiliser d'autres stratégies d'initialisation, telles que l'initialisation Xavier ou l'initialisation He, dans certains cas.