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

XOR 문제란 무엇인가

XOR(배타적 또는) 문제는 컴퓨터 과학 및 기계 학습에서 고전적인 문제로, XOR(배타적 또는) 연산의 논리적 작용을 포함합니다. 이진 논리에서 XOR 연산은 두 개의 불리언 입력이 서로 다를 때(true와 false가 다를 때) 참을 반환합니다. 이 문제는 신경망과 딥러닝의 맥락에서 특히 중요하며, 단순한 선형 모델이 비선형 관계를 처리하는 데 한계를 보이는 것을 보여줍니다.

XOR 문제의 고전적인 예시는 이진 입력 조합(0 또는 1)으로, 출력 규칙은 입력(0,0)과 (1,1)이 0을 반환하고, 입력(0,1)과 (1,0)이 1을 반환하는 것입니다. 이러한 간단한 논리 관계는 단일 레이어 퍼셉트론과 같은 간단한 신경망에서는 올바르게 학습할 수 없으며, 단일 레이어 퍼셉트론은 선형적으로 분리 가능한 패턴만 표현할 수 있습니다.

기계 학습 역사에서 XOR 문제는 신경망 발전의 중요한 이정표였습니다. 초기 연구에서는 깊은 학습 모델(즉, 다층 신경망)이 효과적으로 XOR 문제를 해결할 수 있음을 보여주었고, 이는 깊은 신경망의 강력한 능력과 적합성을 입증합니다. 앞으로 XOR 문제에 대한 연구는 비선형 모델 및 복잡한 데이터 구조의 개발을 계속해서 추진할 것입니다.

긍정적인 측면에서 XOR 문제는 우리가 복잡한 기계 학습 모델을 이해하고 설계하는 데 도움을 주지만, 단순한 모델은 이 문제에 직면했을 때 무능력할 수 있습니다. 관련 고려사항은 모델 설계 시 입력 데이터의 특성을 고려하고 적절한 네트워크 구조 및 활성화 함수를 선택하는 것입니다.