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

K-Shot Learningとは何か

K-Shot Learningは、少数のサンプルを使用してモデルをトレーニングし、新しいタスクに対して効果的に機能することを目的とした機械学習手法です。K-Shotの「K」は、各クラスのサンプル数を指し、通常は1（One-Shot Learning）、2（Two-Shot Learning）、3（Three-Shot Learning）などになります。

従来の機械学習では、大量のラベル付きデータがモデルのトレーニングに必要ですが、K-Shot Learningは既存のデータを効率的に活用して大量のデータセットへの依存を減らします。この手法は、特にデータ収集が高コストまたは困難なシナリオで、画像認識や自然言語処理などの分野で広く応用されています。

K-Shot Learningの一般的な運用方法には、まずメタ学習を通じてモデルをトレーニングし、さまざまなタスクに対して良好に機能させること、次に少数のサンプルを使用して新しいタスクに迅速に適応できるようにすることが含まれます。将来的には、K-Shot Learningが他の深層学習技術と統合され、より複雑なタスクに使用されることが期待されています。

K-Shot Learningの利点の一つは、データが不足している状況でも効果的な学習を可能にし、さまざまな実用的なアプリケーションに適していることです。しかし、サンプルの選択に敏感であり、サンプル数が極端に少ない場合には過適合が発生する可能性があります。