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

トークナイザーとは？

Tokenizer - AI and technology concept illustration

© 2025 / unsplash.com

トークナイザーは、自然言語処理（NLP）およびプログラミング言語の解析において重要なコンポーネントです。入力テキストを単語、サブワード、またはシンボルなどの小さな単位に分解し、さらなる処理を行います。

トークン化はテキスト処理の最初のステップであり、さまざまなアルゴリズムやモデルの基盤を提供します。特に機械学習や深層学習の文脈で重要です。異なる言語やアプリケーションには異なるタイプのトークナイザーが必要です。たとえば、スペースベースのトークナイザーは英語に適しており、文字ベースのトークナイザーは中国語の処理により効果的です。

トークナイゼーションの重要性は、テキストデータの分析や処理に構造化された情報を提供することにあります。テキストをトークンに分解することで、アルゴリズムはパターンをより簡単に識別し、特徴を抽出し、予測を生成できます。したがって、適切なトークナイザーを選択することはモデルの性能を保証するために非常に重要です。

人工知能と機械学習が進化するにつれて、トークナイゼーション方法も進化しています。多くの現代のモデルは、Byte Pair Encoding（BPE）やWordPieceなどのサブワードベースのトークナイゼーション技術を使用して、希少な単語や新しい用語に効果的に対処し、モデルの一般化能力を向上させています。