Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Algorithm Autoencoder Artificial Intelligence (AI)Attention

B

BERT Backpropagation Batch Normalization Boosting Bias

C

CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot Classifier / Classification

D

Deepfake Deep Learning Data Augmentation Deterministic Model Discriminative Model

E

Epoch Ensemble Learning Encoder Explainable AI (XAI)Embedding

F

Fine-tuning Forward Propagation Fusion / Multimodal Fusion Foundation Model Feature Extraction

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

Instruction tuning Instance / Sample Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX JSONL / JSON-lines Jittering Joint Embedding Juxtaposition

K

K-Shot Learning K-means Clustering KL Divergence (Kullback–Leibler Divergence)Kernel Trick Knowledge Distillation

L

LSTM / Long Short-Term Memory Learning Rate Latent Variable Loss Function Large Language Model (LLM)

M

Multi-head Attention Multimodal / Multimodality Meta-learning Model Machine Learning (ML)

N

NLP / Natural Language Processing NLU / Natural Language Understanding Neural Network Novelty Detection / Anomaly Detection Normalization

O

One-hot Encoding Overfitting Optimizer Online Learning Objective Function

P

Pooling Parameter Pretraining Prompt Policy / Reinforcement Learning Policy

Q

Q-learning Queue / Buffer Query Quality Estimation Quantization

R

RNN / Recurrent Neural Network Retrieval Augmented Generation (RAG)Reinforcement Learning (RL)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tuning / Hyperparameter Tuning Tokenizer Transformer Training Data Transfer Learning

U

U-Net Underfitting Universal Approximation Theorem Unsupervised Learning Uncertainty Estimation

V

Vision Transformer (ViT)Vector Embedding Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)

W

Weight Decay Whitening / Whitening Transformation Workflow Word Embedding Weak Supervision

X

XAI / Explainable AI XLM XLNet XOR problem X-axis / feature axis

Y

Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zero-shot Learning / Zero-shot inference Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zygosity in augmentation

アンサンブル学習とは

アンサンブル学習は、複数のモデルの予測結果を結合して全体のパフォーマンスと精度を向上させる機械学習技術です。その核心的な考え方は、個別にパフォーマンスが良くない弱学習器の出力を集約して、分散とバイアスを減少させる強力な学習器を作ることです。

アンサンブル学習の主な2つのタイプは、バギング（Bagging）とブースティング（Boosting）です。バギングは複数のサブモデルを生成し、その結果を投票によって結合します。一方、ブースティングはモデルの重みを逐次調整して学習プロセスを最適化します。一般的なアルゴリズムには、ランダムフォレスト（Random Forest）、AdaBoost、および勾配ブースティングマシン（GBM）があります。

アンサンブル学習の重要性は、モデルの一般化能力を向上させ、過学習のリスクを減少させることです。金融予測、画像認識、テキスト分類などのさまざまな実用的なアプリケーションにおいて優れたパフォーマンスを示しています。データセットが大きくなり、計算能力が向上するにつれて、アンサンブル学習の未来は非常に明るいと思われます。

しかし、アンサンブル学習には、複数のモデルを訓練する必要があるため、より多くの計算リソースと時間が必要であるという欠点があります。また、複雑なモデルを使用する場合、アンサンブルモデルの解釈可能性が低下し、結果の透明性が損なわれる可能性があります。したがって、アンサンブル学習を使用する際は、その利点と欠点を特定のアプリケーションや要件に照らして慎重に考慮する必要があります。