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

메타 학습이란 무엇인가

메타 학습, 즉 '학습을 학습하는 것'은 기계 학습 분야에서 중요한 개념입니다. 이 개념은 어떻게 더 효과적으로 학습할지를 배우는 접근 방식을 의미하며, 이를 통해 모델이 새로운 작업에서 성능을 향상시키도록 합니다. 기본 목표는 모델이 최소한의 데이터 또는 경험으로 다양한 학습 작업에 신속하게 적응할 수 있도록 하는 것입니다.

메타 학습의 중요성은 훈련 시간을 줄이고 새로운 환경에서 모델의 적응력을 향상시킬 수 있다는 점에 있습니다. 전통적인 기계 학습에서는 모델이 훈련을 위해 대량의 레이블 데이터가 필요하지만, 메타 학습은 기존 지식이나 경험을 활용해 학습 과정을 가속화합니다. 일반적인 방법으로는 적절한 알고리즘 선택, 하이퍼파라미터 최적화, 학습 전략 조정을 위한 적응 메커니즘이 있습니다.

메타 학습은 자연어 처리, 컴퓨터 비전, 로봇 학습 등 다양한 분야에 적용될 수 있습니다. 예를 들어, 컴퓨터 비전에서는 메타 학습이 모델이 새로운 이미지 카테고리를 신속하게 적응하고 정확하게 분류하는 데 도움을 줄 수 있습니다.

앞으로 데이터와 작업의 다양성이 계속 증가함에 따라 메타 학습의 중요성은 더욱 커질 것으로 예상됩니다. 이는 자동화 기계 학습(AutoML) 및 개인화 추천 시스템 분야에서 더 큰 역할을 할 것으로 기대됩니다. 그러나 적절한 기본 학습기 선택, 효과적인 작업 분포 설계 등 몇 가지 과제가 남아 있습니다.