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

XAI / 説明可能なAIとは？

説明可能なAI（XAI）は、人工知能モデルの意思決定プロセスを透明で理解可能にすることを目的とした重要な分野です。医療、金融、自動運転などのハイリスクな分野で人工知能が広く適用されるにつれて、モデルの解釈性と透明性を確保することが不可欠です。

XAIの運用方法は通常、モデルの視覚化、特徴の重要性分析、意思決定ルールの生成など、さまざまな技術を含みます。これらの技術は、ユーザーがモデルが特定の結果に至る方法を理解するのに役立ちます。たとえば、LIME（局所的可解釈可能モデル不変性）やSHAP（SHapley加法的説明）は、複雑なブラックボックスモデルに対する説明を提供するために広く使用される方法です。

XAIは非常に幅広い応用が可能です。医療分野では、医師は説明可能なAIモデルを通じて診断の提案をよりよく理解し、より情報に基づいた意思決定を行うことができます。金融業界では、規制当局が金融サービスプロバイダーに対して、信用決定の説明を求め、公平性と透明性を確保する必要があります。

XAIの利点は明らかですが、いくつかの課題も存在します。たとえば、深層学習などの複雑なモデルは本質的に非常に非線形であり、単純な説明を提供することが難しいです。また、過度に単純化すると重要な情報が失われる可能性があるため、解釈可能性を達成する際には適切なバランスを見つける必要があります。