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

基礎モデルとは何か

「基礎モデル」という用語は、広範なデータセットで事前学習された大規模モデルを指し、特定のタスクに合わせてファインチューニングできます。このアーキテクチャは、モデルが複雑なパターンや構造をキャッチすることを可能にし、さまざまな下流アプリケーションで優れたパフォーマンスを発揮します。

基礎モデルの重要性は、膨大な量のラベル付きデータの必要性を大幅に減少させることです。大規模な非ラベルデータから学ぶことによって、これらのモデルはさまざまなタスクに適用可能な知識を一般化できます。これにより、AIシステムの開発と展開が大幅に加速されます。

通常、基礎モデルは深層学習技術、特にトランスフォーマーアーキテクチャを利用します。これらの訓練プロセスには自己教師あり学習が含まれ、モデルはテキストの一部を予測することでデータの構造や意味を学びます。著名な例としては、OpenAIのGPTシリーズ、GoogleのBERT、FacebookのRoBERTaなどがあり、これらのモデルは基礎モデルの強力な能力を示しています。

基礎モデルの未来は、より効率的で解釈可能な方向に進化することを示唆しています。しかし、これらのモデルは、潜在的な社会的危害を引き起こさないように、倫理や安全性に関する厳しい審査を受ける可能性があります。開発者はまた、これらのモデルの解釈可能性と公正性に注意を払い、偏見が持続しないようにする必要があります。