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

양자화란 무엇인가

양자화는 디지털 신호 처리 및 컴퓨터 과학에서 기본 개념입니다. 이는 아날로그 신호와 같은 연속 데이터를 이산 데이터로 변환하여 디지털 시스템에서 저장 및 처리할 수 있도록 합니다. 양자화 프로세스의 핵심은 연속 값을 나타내기 위한 적절한 이산 수준을 선택하는 데 있으며, 이는 데이터의 정확성과 후속 분석에 모두 영향을 미칩니다.

양자화의 적용 분야는 매우 넓으며, 특히 이미지 처리, 오디오 처리, 기계 학습 등에서 중요합니다. 예를 들어 기계 학습에서는 양자화를 통해 모델의 크기와 계산 복잡성을 줄여 운영 효율성을 높이고 저장 요구 사항을 최소화할 수 있습니다. 이미지 압축에서는 양자화 기술을 사용하여 파일 크기를 줄이면서 이미지의 시각 품질을 최대한 유지하려고 합니다.

그러나 양자화는 정보 손실과 정확도 감소와 같은 몇 가지 단점을 수반합니다. 따라서 양자화 계획을 설계할 때 효율성과 정확성의 균형을 유지하는 것이 중요합니다. 또한 기술 발전에 따라 양자화의 미래 트렌드는 더 스마트한 알고리즘과 더 효율적인 구현 방법을 포함할 수 있습니다.