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

미백 / 미백 변환이란 무엇인가

미백은 일반적으로 피부 및 치아 관리와 관련이 있으며, 다양한 제품과 치료를 통해 피부 톤이나 치아 색상을 밝게 하는 과정을 의미합니다. 최근 몇 년간 미백 제품에 대한 수요가 급증하여 외모와 미의 기준에 대한 문화적 강조를 반영합니다.

미백 산업은 수백만 명에게 영향을 미치는 중요한 시장이 되었습니다. 이는 미백 제품의 성분과 안전성에 대한 논의와 아름다움 및 정체성에 대한 지속적인 문화적 서사를 촉발했습니다.

미백 제품은 일반적으로 하이드로퀴논, 비타민 C, 산과 같은 활성 성분을 포함하고 있으며, 이들은 멜라닌 생성을 억제하거나 세포 재생을 촉진하는 방식으로 작용합니다. 치과에서는 과산화수소가 일반적으로 치아 미백에 사용되어 표면 얼룩을 효과적으로 제거합니다.

소비자의 선호가 진화함에 따라 미백 제품의 미래는 더 안전하고 자연스러운 성분으로 기울어질 가능성이 높으며, 식물 기반 제품이 점점 인기를 끌 것입니다.

미백의 장점은 외모와 자존감을 높이는 것이지만, 잠재적인 단점으로는 피부 자극, 알레르기 반응, 미의 기준에 대한 사회적 압력이 포함됩니다.

미백 제품을 선택할 때 소비자는 성분의 투명성을 중시하고, 임상적으로 검증된 제품을 선택하며, 부작용을 피하기 위해 사용 지침을 따라야 합니다.