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

숨겨진 레이어란 무엇인가

숨겨진 레이어는 신경망에서 입력 레이어와 출력 레이어 사이에 위치한 중요한 구성 요소입니다. 이 레이어는 입력 데이터 내의 복잡한 패턴과 특징을 포착하여 네트워크가 효과적으로 학습하고 예측할 수 있도록 합니다.

숨겨진 레이어의 각 뉴런은 활성화 함수를 통해 입력 신호를 출력 신호로 변환합니다. 숨겨진 레이어의 설계는 모델이 데이터의 고차원 특징을 학습할 수 있게 하여 일반화 능력과 정확성을 높이는 데 기여합니다. 숨겨진 레이어의 구축과 조정은 효율적인 신경망을 구축하는 데 필수적이며, 일반적으로 하이퍼파라미터 선택 및 모델 구조 실험을 포함합니다.

딥러닝의 적용이 증가함에 따라 숨겨진 레이어에 대한 연구와 최적화도 계속 발전하고 있습니다. 미래에는 더 발전된 알고리즘을 활용하여 네트워크 구조를 최적화하는 방향으로 자동화가 진행될 수 있습니다. 연구자들은 또한 모델의 해석 가능성을 높이기 위해 숨겨진 레이어의 수를 줄이는 방법을 탐구하고 있습니다.

숨겨진 레이어의 장점은 복잡한 데이터 패턴을 처리하고 학습할 수 있는 능력이지만, 단점은 모델의 복잡성이 증가하여 과적합을 초래할 수 있다는 점입니다. 숨겨진 레이어를 사용할 때는 적절한 정규화 방법과 하이퍼파라미터 조정을 선택하여 모델 성능과 안정성을 높이는 것이 중요합니다.