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

Deepfake란 무엇인가

Deepfake는 인공지능 기술을 사용하여 가짜 비디오 또는 오디오를 생성하는 기술입니다. 일반적으로 심층 학습 기술, 특히 생성적 적대 신경망(GAN)을 사용하여 한 사람의 얼굴이나 목소리를 다른 사람의 것으로 대체합니다.

Deepfake의 배경은 최근 몇 년 동안 인공지능과 심층 학습 기술의 급속한 발전에 뿌리를 두고 있습니다. 이러한 기술이 발전함에 따라 Deepfake의 응용 범위는 엔터테인먼트 산업에서 소셜 미디어, 정치, 교육 및 심리 치료 등으로 확대되고 있습니다.

일부 창의적이고 오락적인 용도에도 불구하고 Deepfake의 잠재적인 부정적인 영향은 광범위한 우려를 불러일으켰습니다. 가짜 뉴스, 신원 도용 및 개인 정보 침해와 같은 문제가 발생하여 이 기술에 대한 사회적 신뢰도가 하락했습니다. 그 결과 많은 국가와 지역에서 이러한 문제를 해결하기 위한 법률 제정을 고려하고 있습니다.

미래에는 기술이 계속 발전함에 따라 Deepfake의 생성이 더 쉬워지고 보편화될 것이며, 이에 따라 윤리적 및 법적 프레임워크에 대한 논의가 더욱 중요해질 것입니다. 창의성과 예술적 표현을 포함한 장점이 있지만, 그에 따른 위험과 부정적인 영향을 간과해서는 안 됩니다.