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

판별 모델이란?

판별 모델은 기계 학습에서 데이터 포인트를 특징에 따라 분류하는 데 사용되는 통계 모델입니다. 데이터 분포를 모델링하려는 생성 모델과 달리, 판별 모델은 서로 다른 클래스 간의 경계를 학습하는 데 집중합니다.

판별 모델의 일반적인 예로는 로지스틱 회귀가 있으며, 주로 이진 분류 작업에 사용됩니다. 지원 벡터 머신(SVM), 결정 트리 및 심층 학습의 신경망과 같은 다른 예도 있습니다. 이러한 모델은 이미지 인식, 텍스트 분류 및 생물 정보학 등 다양한 분야에서 널리 사용됩니다.

판별 모델의 주요 장점은 효율성과 정확성입니다. 이들은 분류 경계 학습에 집중하기 때문에 일반적으로 생성 모델보다 분류 정확도가 더 높습니다. 그러나 훈련 데이터의 노이즈에 민감할 수 있으며, 특히 샘플 불균형의 경우 더욱 그렇습니다. 또한 판별 모델은 데이터의 잠재적 분포 특성을 포착하는 데 어려움을 겪을 수 있습니다.

기계 학습이 발전함에 따라 판별 모델의 응용 범위도 확장되고 있습니다. 미래에는 심층 학습 기술과 결합된 판별 모델이 복잡한 작업을 처리하는 데 더 뛰어난 성능을 발휘할 수 있을 것입니다.