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

편향이란 무엇인가

편향이라는 용어는 공정성 기준에서 벗어난 경향이나 성향을 의미합니다. 이는 심리학, 사회학 및 데이터 과학 등 여러 분야에서 나타납니다.

심리학에서 편향은 의사 결정 과정에 영향을 미쳐 개인이 사실이 아닌 감정에 기초하여 비합리적인 판단을 하게 만들 수 있습니다. 예를 들어, 확증 편향은 사람들이 기존 신념을 지지하는 정보를 선호하고 반대 증거를 무시하게 만드는 경향이 있습니다. 이러한 현상은 개인 및 직업적 결정에 상당한 영향을 미칠 수 있습니다.

사회학에서는 편향이 특정 집단에 대한 고정관념이나 편견으로 나타나며, 이는 사회적 상호작용에 영향을 미치고 공공 정책에 영향을 줄 수 있습니다. 이러한 편향에 대한 인식을 높이는 것은 포용적인 커뮤니티를 조성하고 평등을 촉진하는 데 중요합니다.

데이터 과학과 인공지능 분야에서 편향은 중요한 문제로 부각되고 있습니다. 편향된 데이터로 훈련된 알고리즘은 기존의 불평등을 지속하거나 악화시킬 수 있습니다. 연구는 공정한 결과를 보장하기 위해 인공지능 시스템에서 편향을 식별하고 완화하는 방법을 다루고 있습니다.

사회가 다양성과 공정성을 중시함에 따라 편향을 이해하고 다루는 것이 중요한 연구 분야로 남을 것입니다. 향후 추세는 윤리적 인공지능 및 공정한 데이터 관행에 초점을 맞춰 편향이 의사 결정에 미치는 영향을 줄이는 것입니다.