TopAIToolsTopAITools

Glossary

0-9
2-stage detector9-layer network5G + AI0-shot learning6DoF pose estimation3D convolution8-bit quantization7D representation1-shot learning4D data
A
AlgorithmAutoencoderAGI / Artificial General IntelligenceAttentionArtificial Intelligence (AI)
B
BERTBatch NormalizationBackpropagationBiasBoosting
C
ChatbotClassifier / ClassificationCNN / Convolutional Neural NetworkCross-ValidationClustering
D
Deterministic ModelDiscriminative ModelDeepfakeData AugmentationDeep Learning
E
EpochEncoderEnsemble LearningEmbeddingExplainable AI (XAI)
F
Foundation ModelFeature ExtractionFusion / Multimodal FusionForward PropagationFine-tuning
G
GAN / Generative Adversarial NetworkGenerative AIGradient DescentGroundingGraph Neural Network (GNN)
H
HyperparameterHidden LayerHallucinationHeuristicHierarchical Model
I
Instance / SampleInstruction tuningIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJoint EmbeddingJSONL / JSON-linesJuxtapositionJittering
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Large Language Model (LLM)Latent VariableLoss FunctionLearning RateLSTM / Long Short-Term Memory
M
ModelMachine Learning (ML)Meta-learningMulti-head AttentionMultimodal / Multimodality
N
Neural NetworkNovelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalization
O
OptimizerOnline LearningObjective FunctionOverfittingOne-hot Encoding
P
ParameterPromptPolicy / Reinforcement Learning PolicyPoolingPretraining
Q
QueryQuality EstimationQuantizationQ-learningQueue / Buffer
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
Self-Supervised LearningSupervised LearningSamplingSequence ModelingSoftmax
T
TokenizerTransfer LearningTransformerTuning / Hyperparameter TuningTraining Data
U
Unsupervised LearningUncertainty EstimationUnderfittingUniversal Approximation TheoremU-Net
V
Variational Autoencoder (VAE)Vector EmbeddingValidation SetVanishing / Exploding GradientVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisYield (model yield / throughput)Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZygosity in augmentationZero-gradient phenomenon

Qu'est-ce que l'apprentissage Zero-shot / l'inférence Zero-shot?

L'apprentissage Zero-shot (Zero-shot Learning, ZSL) est une approche d'apprentissage automatique qui permet aux modèles de faire des inférences sur des classes non vues sans avoir été entraînés sur elles. Cette approche est particulièrement utile dans des scénarios où le modèle doit gérer de nouvelles catégories, comme dans la reconnaissance d'images. L'essence du ZSL réside dans l'utilisation des caractéristiques ou des attributs des classes connues pour inférer ceux des classes inconnues. Par exemple, un modèle peut classer une nouvelle catégorie d'objet en comprenant ses propriétés, comme reconnaître un 'oiseau' en sachant qu'il s'agit d'un 'animal avec des ailes'.


Dans les applications pratiques, l'apprentissage Zero-shot est largement utilisé dans le traitement du langage naturel, la vision par ordinateur et les systèmes de recommandation. En utilisant des descriptions d'attributs ou des embeddings sémantiques, les modèles peuvent comprendre et inférer la nature de nouvelles catégories. Par exemple, dans la classification d'images, un modèle peut identifier un 'oiseau' en comprenant le concept 'd'animaux avec des ailes', même s'il n'a jamais rencontré d'image d'oiseau auparavant.


L'inférence zero-shot fait référence à l'application des capacités d'apprentissage zero-shot pendant le processus d'inférence. Cette capacité est cruciale dans de nombreux scénarios d'application, en particulier dans des domaines où les données sont rares ou émergents, comme la conduite autonome, la robotique et les recommandations personnalisées.


Les avantages de cette technologie incluent une meilleure capacité de généralisation et de flexibilité des modèles, réduisant ainsi la dépendance à de grandes quantités de données étiquetées. Cependant, des défis subsistent, comme la définition précise des relations entre les catégories et le traitement des attributs bruyants.


À l'avenir, à mesure que l'intelligence artificielle et les technologies d'apprentissage profond évoluent, on s'attend à ce que l'apprentissage Zero-shot et l'inférence Zero-shot trouvent des applications plus larges dans divers domaines, propulsant la capacité d'apprentissage autonome des systèmes intelligents.