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

변분 오토인코더(VAE)란 무엇인가

변분 오토인코더(Variational Autoencoder, VAE)는 비지도 학습 분야에 속하는 생성 모델입니다. 그 핵심 아이디어는 오토인코더의 기반 위에 변분 추론 개념을 도입하여 데이터의 잠재 표현을 학습하고 새로운 샘플을 생성할 수 있게 하는 것입니다.

VAE의 중요성은 이미지 생성, 데이터 증강 및 결측 데이터 보완과 같은 작업에 적용될 수 있다는 점입니다. 이는 입력 데이터를 잠재 공간의 분포로 인코딩하여 데이터의 다양성을 더 잘 포착합니다.

전형적인 응용 사례로는 이미지, 음악, 텍스트 등의 다양한 데이터 생성이 있습니다. 생성 모델이 계속 발전함에 따라 VAE는 예술 창작, 가상 현실 및 데이터 시뮬레이션과 같은 분야에서 더 큰 역할을 할 것으로 기대됩니다. 그러나 VAE는 생성된 샘플의 품질이 일부 적대적 생성 네트워크(GAN)보다 낮을 수 있는 한계도 있습니다.

VAE를 사용할 때 연구자와 개발자는 모델의 매개변수 선택, 잠재 공간의 차원 및 훈련 과정에서의 수렴성 문제에 유의해야 합니다. 적절한 설계 및 조정을 통해 VAE는 많은 응용 분야에서 강력한 지원을 제공할 수 있습니다.