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

약한 감독이란 무엇인가

약한 감독은 기계 학습에서 불완전하고 노이즈가 많거나 저품질 레이블 데이터를 사용하여 모델을 훈련하는 방법입니다. 이 방법은 데이터 레이블 비용이 비싸거나 레이블 데이터가 부족할 때 특히 유용합니다. 많은 양의 레이블이 없는 데이터와 소량의 레이블이 있는 데이터를 활용함으로써 약한 감독은 모델의 일반화 능력과 예측 성능을 향상시킬 수 있습니다.

약한 감독 학습에서 일반적인 기술로는 자기 감독 학습, 의사 레이블 생성, 데이터 증강 및 전이 학습이 있습니다. 이러한 기술은 레이블이 없는 데이터를 효과적으로 활용하여 대량의 고품질 레이블 데이터에 대한 의존도를 줄입니다. 약한 감독 학습은 자연어 처리, 컴퓨터 비전 및 의료 영상 분석 등 다양한 실제 응용 프로그램에서 뛰어난 성과를 보여주었습니다.

그러나 약한 감독 학습은 몇 가지 도전 과제에도 직면해 있습니다. 노이즈 레이블은 모델 성능을 저하시킬 수 있으며 부적절한 사용은 편향을 초래할 수 있습니다. 따라서 약한 감독 학습을 적용할 때 적절한 방법 선택과 모델 평가가 필수적입니다.

미래에는 데이터 기반 응용 프로그램이 계속 증가함에 따라 약한 감독이 더 많은 분야에서 응용될 것으로 기대됩니다. 연구자들은 약한 감독 기술을 개선하여 안정성과 정확성을 높이는 방법을 지속적으로 탐색하고 있습니다.