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

환각이란 무엇인가

환각은 외부 자극 없이 개인이 경험하는 지각으로, 시각, 청각, 후각 또는 촉각 등 다양한 감각이 포함될 수 있습니다. 환각의 원인은 정신 건강 문제(예: 정신 분열증), 약물 영향, 극심한 피로 또는 수면 부족 등 다양합니다. 환각의 메커니즘을 이해하는 것은 의학 전문가가 효과적인 치료 계획을 수립하는 데 매우 중요합니다.

환각의 영향과 중요성은 깊습니다. 의학 분야에서 환각의 원인을 인식하는 것은 적절한 개입을 설계하는 데 도움이 됩니다. 또한 환각은 심리학 및 신경과학 연구에서 중요한 역할을 하며, 인간의 지각과 의식에 대한 통찰력을 제공합니다. 예를 들어, 연구에 따르면 환각은 심리적 고통과 신경학적 질병에서 발생할 수 있으며, 이는 정신 건강의 더 넓은 문제와 연결됩니다.

미래의 경향으로는 신경과학과 심리학의 발전이 환각의 메커니즘과 치료 방법에 대한 연구를 촉진하고 있습니다. 연구자들은 환각에 대한 더 나은 이해가 정신 건강 치료를 개선하는 데 어떻게 도움이 될 수 있는지 탐구하고 있으며, 통제된 조건에서 환각제를 치료 응용으로 활용하는 방법도 연구하고 있습니다. 그러나 환각의 경험은 사회적 고립, 불안 및 기타 정신 건강 문제와 같은 부정적인 결과를 초래할 수 있습니다.

결론적으로, 환각을 이해하는 것은 관련 질환을 식별하고 치료하는 데 도움이 되지만, 이러한 경험은 개인에게 상당한 도전을 초래할 수 있습니다. 환각을 경험하는 사람들에게는 공감과 지원의 태도로 접근하는 것이 중요하며, 그들이 낙인찍히지 않고 적절한 치료를 받을 수 있도록 해야 합니다.