Glossary

0-9

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

A

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

B

Backpropagation BERT Boosting Batch Normalization Bias

C

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

D

Deep Learning Deepfake Discriminative Model Deterministic Model Data Augmentation

E

Embedding Encoder Epoch Ensemble Learning Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Objective Function Online Learning One-hot Encoding Overfitting Optimizer

P

Policy / Reinforcement Learning Policy Pooling Pretraining Prompt Parameter

Q

Queue / Buffer Quantization Q-learning Query Quality Estimation

R

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

S

Supervised Learning Self-Supervised Learning Sequence Modeling Sampling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Universal Approximation Theorem Unsupervised Learning U-Net Underfitting Uncertainty Estimation

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis 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

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

Học không mẫu là gì

Học không mẫu (0-shot learning) là một phương pháp học máy nhằm cho phép các mô hình phân loại hoặc nhận diện các thể loại mà chúng chưa bao giờ gặp trước đây. Kỹ thuật này đặc biệt hữu ích trong các tình huống mà dữ liệu huấn luyện khan hiếm hoặc khó thu thập.

Điểm cốt lõi của phương pháp này nằm ở việc đại diện cho các thuộc tính hoặc đặc điểm của các thể loại như là thông tin ngữ nghĩa, cho phép mô hình suy luận các đặc điểm của các thể loại mới ngay cả khi không có ví dụ trực tiếp. Học không mẫu đã cho thấy tiềm năng to lớn trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và thị giác máy tính, ví dụ như khả năng phân loại hình ảnh của các đối tượng chưa bao giờ được huấn luyện.

Trong tương lai, khi công nghệ AI tiếp tục phát triển, học không mẫu dự kiến sẽ đóng vai trò quan trọng hơn trong nhiều ứng dụng, chẳng hạn như gán nhãn dữ liệu tự động và hệ thống gợi ý thông minh. Tuy nhiên, công nghệ này cũng đối mặt với những thách thức, bao gồm nhu cầu về kiến thức toàn diện và chính xác, cũng như khả năng xảy ra lỗi suy luận trong một số trường hợp.