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

JAXとは何か

JAXは、Googleが開発したオープンソースのライブラリで、高性能な数値計算および機械学習に使用されます。その名前は「Just After eXecution」の略で、実行時に最適化を行う能力を示しており、特に自動微分において際立っています。

JAXは、NumPyの使いやすさとTensorFlowの強力な機能を組み合わせて、ユーザーがシンプルなPythonコードで効率的な計算を行うことを可能にします。自動微分のサポートにより、ユーザーは簡単に勾配を計算できます。

JAXはXLA（Accelerated Linear Algebra）というコンパイラを使用して、ユーザーのPython関数を効率的な機械コードに変換し、計算速度を向上させます。この最適化により、JAXは大規模データの処理において優れたパフォーマンスを発揮します。

JAXは機械学習、科学計算、数値最適化などの分野で広く使用されています。多くの最先端の研究やアプリケーションがJAXを採用しており、特に深層学習、強化学習、生成モデルの分野で顕著です。

今後、JAXは機能を拡張し、さらに多くの開発者や研究者を引き付ける可能性があります。機械学習と人工知能の継続的な発展に伴い、JAXはパフォーマンスと使いやすさの面でさらに改善されるでしょう。

JAXは高性能と柔軟性といった多くの利点がありますが、いくつかの欠点も存在します。例えば、JAXの学習曲線は初心者には急であり、特にNumPyや機械学習に不慣れなユーザーには難しいことがあります。また、JAXのエコシステムはTensorFlowやPyTorchなどの他のフレームワークと比べてまだ発展途上であり、一部の機能はまだ完全ではないかもしれません。