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

Algorithm Autoencoder Artificial Intelligence (AI)Attention AGI / Artificial General Intelligence

B

Batch Normalization Boosting Backpropagation Bias BERT

C

Classifier / Classification Chatbot Cross-Validation Clustering CNN / Convolutional Neural Network

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

Foundation Model Fine-tuning Forward Propagation Feature Extraction Fusion / Multimodal Fusion

G

Gradient Descent Graph Neural Network (GNN)Generative AI GAN / Generative Adversarial Network Grounding

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability Instruction tuning

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

Knowledge Distillation Kernel Trick K-means Clustering K-Shot Learning KL Divergence (Kullback–Leibler Divergence)

L

Large Language Model (LLM)Loss Function Latent Variable Learning Rate LSTM / Long Short-Term Memory

M

Machine Learning (ML)Multimodal / Multimodality Multi-head Attention Meta-learning Model

N

Novelty Detection / Anomaly Detection Neural Network Normalization NLP / Natural Language Processing NLU / Natural Language Understanding

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning RNN / Recurrent Neural Network

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

Validation Set Vector Embedding Variational Autoencoder (VAE)Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

X-axis / feature axis XAI / Explainable AI XLM XLNet XOR problem

Y

Yield (model yield / throughput)Yoga of AI Y-transform / YUV Y-axis / feature axis YAGNI (You Aren't Gonna Need It)

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zero-shot Learning / Zero-shot inference Zygosity in augmentation Z-score Normalization

8비트 양자화란 무엇인가

8비트 양자화는 더 높은 정밀도의 데이터를 (예: 부동 소수점 숫자) 낮은 정밀도 형식 (예: 정수)으로 변환하는 디지털 신호 처리 기술입니다. 이 과정은 오디오, 비디오 및 이미지와 같은 멀티미디어 데이터 처리에 특히 중요합니다.

8비트 양자화에서 각 샘플의 값은 0에서 255의 범위로 제한됩니다. 이로 인해 데이터 저장 및 처리가 더 효율적입니다. 예를 들어, 이미지 처리에서 8비트 양자화는 이미지 파일의 크기를 크게 줄이면서 상대적으로 높은 시각적 품질을 유지할 수 있습니다. 그러나 양자화의 단점은 원본 데이터의 일부 정보가 손실되면서 왜곡이 발생한다는 것입니다.

미래를 바라보면, 딥 러닝 및 머신 러닝 애플리케이션의 확산과 함께 8비트 양자화의 사용은 특히 엣지 컴퓨팅 및 모바일 장치에서 에너지를 절약하고 처리 속도를 높일 수 있기 때문에 더욱 보편화될 수 있습니다. 연구자들은 왜곡을 최소화하면서 계산 효율성을 높이기 위해 혼합 정밀도 양자화와 같은 더 복잡한 양자화 방법을 탐구하고 있습니다.