Glossary

0-9

1-shot learning 5G + AI 7D representation 0-shot learning 3D convolution 4D data 2-stage detector 6DoF pose estimation 8-bit quantization 9-layer network

A

AGI / Artificial General Intelligence Algorithm Attention Autoencoder Artificial Intelligence (AI)

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Chatbot Classifier / Classification Clustering CNN / Convolutional Neural Network Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Embedding Encoder Epoch Explainable AI (XAI)

F

Feature Extraction Fine-tuning Fusion / Multimodal Fusion Foundation Model Forward Propagation

G

Gradient Descent GAN / Generative Adversarial Network Grounding Generative AI Graph Neural Network (GNN)

H

Hidden Layer Hallucination Heuristic Hyperparameter Hierarchical Model

I

Intelligence Amplification / Augmentation Imbalanced Data Instance / Sample Instruction tuning Interpretability

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick

L

Loss Function LSTM / Long Short-Term Memory Learning Rate Large Language Model (LLM)Latent Variable

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Optimizer Overfitting

P

Parameter Policy / Reinforcement Learning Policy Pooling Pretraining Prompt

Q

Quality Estimation Queue / Buffer Q-learning Quantization Query

R

Representation Learning Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Supervised Learning Sequence Modeling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Unsupervised Learning Uncertainty Estimation Universal Approximation Theorem U-Net Underfitting

V

Vector Embedding Vanishing / Exploding Gradient Validation Set Variational Autoencoder (VAE)Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

X-axis / feature axis XOR problem XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

O que é Rede Neural de Grafo (GNN)

Redes Neurais de Grafo (Graph Neural Networks, GNN) são uma classe de redes neurais projetadas para processar dados representados como grafos. Diferentemente das redes neurais tradicionais, as GNN são adeptas em captar as relações e informações estruturais entre os nós de um grafo. Essa capacidade as torna particularmente úteis em áreas como análise de redes sociais, sistemas de recomendação e previsão de estruturas moleculares químicas.

A definição de GNN surge da necessidade de lidar com dados de grafo, que são prevalentes em vários domínios. Redes neurais tradicionais frequentemente têm dificuldades em processar esses dados diretamente. As GNN operam agregando e propagando informações dos nós, permitindo que cada nó incorpore informações de seus vizinhos, melhorando assim a compreensão da estrutura geral do grafo. Através da empilhamento de múltiplas camadas de redes neurais, as GNN podem extrair progressivamente características de nível mais alto.

Em termos de importância, as GNN têm alcançado resultados notáveis em várias áreas, particularmente em grafos de conhecimento e segmentação de imagem. Além disso, com o surgimento de big data e redes complexas, as perspectivas de aplicação das GNN são amplas, podendo desempenhar um papel maior em transporte inteligente e avaliação de riscos financeiros no futuro.

No entanto, o uso de GNN também apresenta alguns desafios, como alta complexidade computacional e dificuldades no treinamento do modelo. Portanto, na prática, é fundamental considerar esses fatores e realizar a seleção e otimização razoáveis do modelo.