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

조인트 임베딩이란 무엇인가

조인트 임베딩은 기계 학습 및 딥 러닝에서 텍스트, 이미지 및 오디오와 같은 다양한 유형의 데이터를 동일한 벡터 공간에 임베딩하는 데 사용되는 기술입니다. 이 방법은 공유 표현을 학습하여 다중 모드 작업에서 모델의 성능을 향상시키는 데 중점을 둡니다.

신경망을 훈련함으로써 조인트 임베딩은 서로 다른 데이터 소스를 공통 벡터 공간에 매핑하는 방법을 배웁니다. 이 공간에서 유사한 입력은 근접한 점으로 매핑되며, 이는 여러 입력 유형을 처리해야 하는 작업(예: 이미지 캡션 생성 및 비디오 이해)에 필수적입니다.

예를 들어, 이미지와 텍스트의 조인트 임베딩에서 모델은 이미지 특성과 텍스트 설명을 동일한 공간에 매핑할 수 있어 텍스트 설명에 기반한 이미지 검색이 가능해집니다. 다중 모드 학습의 부상과 함께 조인트 임베딩은 증강 현실 및 가상 현실과 같은 분야에서 더 넓은 응용 프로그램을 찾을 것으로 예상됩니다.

조인트 임베딩은 다중 모드 작업의 성능과 효율성을 향상시키는 장점을 제공하지만 훈련 과정에서의 계산 복잡성과 대규모 데이터 세트에 대한 요구와 같은 도전 과제도 있습니다. 성공적인 구현을 위해서는 적절한 데이터 전처리 및 모델 선택이 중요합니다.