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

제로샷 학습 / 제로샷 추론이란?

제로샷 학습(Zero-shot Learning, ZSL)은 모델이 직접 훈련된 샘플 없이도 추론을 할 수 있게 하는 머신 러닝 접근 방식입니다. 이 방법은 모델이 새로운 범주를 처리해야 하는 시나리오에서 특히 유용합니다. 제로샷 학습의 핵심은 알려진 범주의 특성이나 속성을 활용하여 미지의 범주의 특성을 추론하는 데 있습니다. 예를 들어, 모델은 '날개가 있는 동물'을 이해함으로써 '새'라는 새로운 범주를 인식할 수 있습니다. 이는 모델이 새의 이미지를 본 적이 없더라도 가능합니다.

실제 응용에서 제로샷 학습은 자연어 처리, 컴퓨터 비전 및 추천 시스템 등 다양한 분야에서 널리 사용됩니다. 속성 설명이나 의미 임베딩을 활용하여 모델은 새로운 범주의 특성을 이해하고 추론할 수 있습니다. 예를 들어, 이미지 분류에서는 모델이 '날개가 있는 동물'의 개념을 이해함으로써 '새'를 식별할 수 있습니다.

제로샷 추론은 추론 과정에서 제로샷 학습 기능을 적용하는 것을 의미합니다. 이 기능은 데이터가 부족하거나 새로운 분야에서 특히 중요합니다. 예를 들어 자율 주행, 로봇 기술 및 개인화 추천 시스템 등이 있습니다.

이 기술의 장점은 모델의 일반화 능력과 유연성을 높이고, 대량의 라벨링된 데이터에 대한 의존도를 줄이는 것입니다. 그러나 범주 간의 관계를 정확히 정의하고 노이즈 속성을 처리하는 데에는 도전 과제가 남아 있습니다.

미래에는 인공지능과 딥러닝 기술이 발전함에 따라 제로샷 학습과 제로샷 추론이 더 많은 분야에서 널리 사용될 것으로 기대되며, 지능형 시스템의 자율 학습 능력을 추진할 것입니다.