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

접합이란 무엇인가

접합은 라틴어에서 유래된 용어로, '나란히 놓다'는 의미입니다. 이 용어는 예술, 문학, 사진 및 디자인 분야에서 두 개 이상의 요소 간의 대비 또는 유사성을 강조하는 데 자주 사용됩니다. 이 기술은 관객이 시각적 또는 개념적으로 비교를 할 수 있게 하여 더 깊은 사고를 유도합니다.

예술사에서 접합은 인상파와 초현실주의와 같은 많은 위대한 예술가와 운동으로 거슬러 올라갑니다. 서로 다른 스타일, 색상 또는 주제를 함께 배치함으로써 예술가는 새로운 의미와 감정을 창조할 수 있습니다. 예를 들어, 피카소는 그의 입체파 작품에서 서로 다른 시각과 요소를 접합하여 전통적인 표현 방식을 도전했습니다.

문학에서 접합은 종종 등장인물, 플롯 또는 주제를 대조하여 서사의 깊이를 강화하는 데 사용됩니다. 예를 들어, 찰스 디킨스는 종종 그의 소설에서 부자와 가난한 자의 삶을 대조하여 사회적 불공정을 강조했습니다.

디지털 미디어의 발전과 함께 접합의 응용 범위도 계속 확장되고 있습니다. 디자이너와 창작자들은 이 기술을 활용하여 소셜 미디어, 광고 및 브랜드 프로모션에서 주목할 만한 비주얼을 만들어냅니다.

그러나 접합의 사용에는 한계도 있습니다. 과도하거나 부적절한 대조는 혼란이나 오해를 초래할 수 있으므로 효과를 신중하게 고려해야 합니다.