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

잠재 변수란 무엇인가

잠재 변수는 직접 관찰할 수 없는 변수로, 다른 관찰 가능한 변수를 통해 간접적으로 추론됩니다. 이러한 변수는 사회과학, 경제학, 심리학 및 기계 학습 등 여러 분야에서 중요한 역할을 합니다.

예를 들어, 심리학에서 지능 수준이나 성격 특성은 잠재 변수로, 일련의 관련 테스트 결과를 통해 추론할 수 있습니다. 구조 방정식 모델과 같은 모델은 연구자들이 복잡한 관계를 이해하고 관찰 가능한 결과에 대한 잠재 요인의 영향을 식별하도록 돕습니다.

잠재 변수의 장점은 데이터의 노이즈와 불확실성을 처리할 수 있으며, 잠재적인 인과 관계를 드러낼 수 있다는 점입니다. 그러나 잠재 변수의 선택과 모델 구성은 결과 해석에 영향을 줄 수 있으며, 잠재 변수를 추정하는 과정은 종종 복잡한 수학적 모델과 많은 데이터 지원이 필요합니다.

앞으로 데이터 과학과 기계 학습이 발전함에 따라 잠재 변수 모델은 시장 분석 및 추천 시스템과 같은 더 넓은 분야에서 더욱 보편화될 가능성이 있습니다. 연구자 및 응용 개발자는 결과의 신뢰성과 유효성을 보장하기 위해 잠재 변수의 이론적 기초와 실제 응용에 주목해야 합니다.