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

불확실성 추정이란 무엇인가

불확실성 추정은 통계학, 기계 학습 및 의사 결정 과학에서 모델 예측 또는 의사 결정 결과의 불확실성을 평가하는 기술입니다. 이 기술의 중요성은 예측의 불확실성을 이해하면 의사 결정자가 위험을 평가하고 전략을 더 효과적으로 수립할 수 있다는 점에 있습니다.

기계 학습, 특히 심층 학습에서 모델은 일반적으로 결정적인 출력을 생성하지만, 이는 항상 현실 세계의 복잡성을 반영하지는 않습니다. 불확실성 추정을 사용하면 연구자는 특정 입력에 대한 모델의 신뢰 수준을 평가할 수 있습니다. 예를 들어, 의료 영상 분석에서 모델은 특정 병변 진단에 대해 다양한 신뢰 수준을 제공할 수 있으며, 이러한 신뢰 수준을 이해하면 의사가 보다 현명한 결정을 내리는 데 도움이 될 수 있습니다.

불확실성 추정 방법은 베이지안 방법, 모델 앙상블 및 몬테 카를로 방법 등 여러 가지가 있습니다. 각 방법은 장단점이 있으며, 베이지안 방법은 일반적으로 더 정확하지만 계산 비용이 많이 들고, 모델 앙상블은 정확성을 향상시킬 수 있지만 과적합으로 이어질 수 있습니다.

미래의 경향으로는 인공지능과 기계 학습의 광범위한 응용이 증가함에 따라 불확실성 추정의 중요성이 더욱 부각될 것입니다. 연구자들은 점점 더 복잡한 데이터와 모델을 처리하기 위해 불확실성 추정의 정확성과 속도를 향상시키기 위한 더 효율적인 알고리즘을 탐색하고 있습니다.

불확실성 추정을 수행할 때 고려해야 할 몇 가지 사항이 있습니다. 첫째, 적절한 모델과 알고리즘을 선택해야 합니다. 둘째, 데이터의 품질과 양이 결과에 직접적인 영향을 미칩니다. 마지막으로 의사 결정자는 모델 출력의 의미를 이해해야 효과적인 결정을 내릴 수 있습니다.