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

주의란 무엇인가

주의는 특정 자극에 선택적으로 집중하고 다른 자극을 무시하는 인지 과정입니다. 이는 심리학, 교육 및 마케팅 등 다양한 분야에서 중요한 역할을 합니다. 주의 메커니즘을 이해하는 것은 학습 결과를 향상시키고 의사소통을 강화하는 데 필수적입니다.

심리학에서 주의는 선택적 주의, 지속적 주의 및 분산 주의로 나눌 수 있습니다. 선택적 주의는 개인이 특정 정보에 집중하고 방해 요소를 무시할 수 있게 합니다. 지속적 주의는 오랜 시간 동안 집중하는 것을 포함하며, 분산 주의는 여러 작업을 동시에 처리할 수 있는 능력을 의미합니다.

기술 분야, 특히 인공지능에서 주의 메커니즘은 자연어 처리 및 컴퓨터 비전 분야에서 모델의 성능을 향상시키기 위해 개발되었습니다. 이러한 메커니즘은 모델이 입력 데이터의 중요한 부분에 집중할 수 있게 하여 정확도와 효율성을 높입니다.

주의 연구의 미래는 밝으며, 환경 요구에 따라 자동으로 주의 분배를 조정할 수 있는 지능형 시스템이 개발될 가능성이 있습니다. 또한, 심리 건강 분야에서 주의의 적용은 불안 및 주의 결핍 관리를 위한 귀중한 통찰력을 제공할 수 있습니다.

하지만 지나치게 집중하는 것은 피로와 심리적 문제를 초래할 수 있으므로 설계 및 응용 시 균형 잡힌 접근이 필요합니다.