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

다중 모드 / 다중 모달이란?

다중 모드는 정보를 전달하기 위해 다양한 모드나 방법을 사용하는 것을 의미하며, 텍스트, 이미지, 오디오 및 비디오 등의 다양한 형식을 통합하는 것의 중요성을 강조합니다. 이러한 접근 방식은 정보의 접근성과 이해도를 높입니다.

교육 분야에서 다중 모달 학습 전략은 다양한 학습자의 요구를 충족시키며, 더 깊은 이해와 기억을 촉진합니다. 시각, 청각 및 촉각 요소를 결합함으로써 학생들은 다양한 관점에서 자료를 이해할 수 있어 학습 효율성을 높입니다.

기술 분야에서는 음성, 제스처 및 터치를 포함한 다중 모달 인터랙션이 사용자 경험 디자인의 트렌드로 부상하고 있습니다. 이는 사용자 참여도를 높일 뿐만 아니라 접근성을 개선하여 다양한 능력을 가진 사람들도 기술을 보다 쉽게 사용할 수 있도록 합니다.

앞으로 인공지능 및 머신러닝의 발전으로 다중 모달 시스템이 더욱 보편화되어 다양한 모드의 데이터를 분석하고 통합하여 보다 정밀한 서비스와 경험을 제공할 것입니다.

하지만 다중 모달 접근 방식은 서로 다른 모드에서 정보를 효과적으로 통합하는 방법, 다양한 입력을 지원하는 사용자 인터페이스를 설계하는 방법, 다중 모달 학습 결과를 평가하고 측정하는 방법 등 여러 도전에 직면해 있습니다.