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

새로운 탐지 / 이상 탐지란 무엇인가

새로운 탐지와 이상 탐지는 기대되는 패턴과 현저히 다른 데이터 포인트를 식별하는 데 사용되는 기계 학습 기술입니다. 이러한 기술은 금융 사기 탐지, 네트워크 보안, 의료 진단 및 산업 모니터링과 같은 다양한 응용 프로그램에서 중요한 역할을 합니다.

기술적으로 새로운 탐지는 알려진 정상 데이터의 맥락에서 새로운 레이블이 없는 샘플을 감지하는 것을 의미하며, 이상 탐지는 정상 행동 패턴에서 벗어난 비정상 데이터 포인트를 식별하는 데 중점을 둡니다. 두 기술의 주요 차이점은 새로운 탐지가 보지 못한 정상 데이터를 처리하는 반면, 이상 탐지는 레이블이 있는 데이터에 기반한다는 점입니다.

이러한 기술의 영향력은 조직이 잠재적인 위험과 문제를 실시간으로 모니터링하고 대응할 수 있게 함으로써 손실을 줄이고 효율성을 높일 수 있도록 돕는 데 있습니다. 데이터 양의 급증과 함께 새로운 탐지 및 이상 탐지의 중요성이 증가하고 있으며, 앞으로는 더 많은 딥 러닝 및 빅 데이터 기술과 통합되어 탐지의 정확성과 효율성을 더욱 향상시킬 것으로 보입니다.

그러나 이러한 기술은 실제로 도전에 직면합니다. 복잡한 데이터 환경에서 '정상'을 정의하고 고차원 데이터에서 효과적으로 탐지하는 방법은 깊이 있는 연구가 필요한 주제입니다. 또한, 모델의 훈련 및 검증에는 상당한 양의 레이블이 있는 데이터가 필요하며, 일부 분야에서는 이러한 데이터를 쉽게 얻기 어려울 수 있습니다.