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

GAN / 생성적 적대 신경망이란?

Generative Adversarial Networks (GANs)는 Ian Goodfellow가 2014년에 도입한 기계 학습 프레임워크의 일종입니다. GAN의 핵심 아이디어는 생성기와 판별기라는 두 개의 신경망을 통해 서로 경쟁하여 실제 데이터와 유사한 합성 데이터를 생성하는 것입니다.

생성기의 목표는 실제 데이터처럼 보이는 데이터를 만드는 것이며, 판별기는 생성된 데이터와 실제 데이터를 구별하는 역할을 합니다. 이 대립적인 과정은 GAN이 고품질의 이미지, 오디오 및 기타 데이터 유형을 생성할 수 있게 해줍니다.

GAN은 이미지 생성, 이미지 복원, 초해상도 재구성 및 데이터 증강 등 다양한 분야에서 응용되고 있습니다. 또한, 의료 이미지 분석 및 자율주행과 같은 분야에서도 잠재력을 보여주고 있습니다. 앞으로 기술이 발전함에 따라 GAN은 생성된 콘텐츠의 진위와 다양성에서 더 큰 돌파구를 이룰 수 있을 것으로 기대되지만, 가짜 정보를 생성하는 등의 잠재적인 남용 위험도 고려해야 합니다.