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

벡터 임베딩이란?

벡터 임베딩은 객체(예: 단어 또는 이미지)를 고정 크기 벡터 표현으로 변환하는 기술입니다. 이 방법은 자연어 처리(NLP)와 기계 학습에서 특히 중요하며, 고차원 데이터를 저차원 공간으로 매핑하면서 객체 간의 의미 관계를 유지할 수 있습니다.

가장 유명한 벡터 임베딩 모델로는 Word2Vec, GloVe 및 BERT가 있으며, 이 모델들은 대규모 텍스트 데이터에 대한 훈련을 통해 단어 간의 의미 유사성을 포착하는 벡터를 생성합니다. 이러한 임베딩은 정보 검색, 추천 시스템 및 챗봇과 같은 응용 프로그램에서 중요한 역할을 합니다.

일반적으로 벡터 생성 프로세스는 객체를 고차원 공간에 매핑하는 과정과 신경망 또는 기타 알고리즘을 사용하여 훈련하는 과정을 포함합니다. 훈련이 완료된 모델은 새로운 객체 벡터를 생성할 수 있으며, 유사한 객체는 벡터 공간에서 더 가까운 거리에 있도록 합니다.

미래에는 딥러닝의 발전으로 인해 더 효율적인 훈련 방법과 더 풍부한 벡터 표현이 등장할 것으로 기대됩니다. 그러나 벡터 임베딩을 사용할 때는 모델의 선택과 훈련 데이터의 품질을 고려해야 효과적인 표현을 보장할 수 있습니다.