TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector4D data0-shot learning9-layer network3D convolution
A
AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithmArtificial Intelligence (AI)
B
BackpropagationBERTBoostingBatch NormalizationBias
C
ChatbotClusteringCNN / Convolutional Neural NetworkCross-ValidationClassifier / Classification
D
Deep LearningDeepfakeDiscriminative ModelDeterministic ModelData Augmentation
E
EmbeddingEncoderEpochEnsemble LearningExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionForward PropagationFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGraph Neural Network (GNN)Generative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Imbalanced DataInterpretabilityInstruction tuningInstance / SampleIntelligence Amplification / Augmentation
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
KL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel TrickKnowledge Distillation
L
Latent VariableLoss FunctionLSTM / Long Short-Term MemoryLarge Language Model (LLM)Learning Rate
M
Multimodal / MultimodalityMachine Learning (ML)Meta-learningModelMulti-head Attention
N
NormalizationNeural NetworkNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNovelty Detection / Anomaly Detection
O
Objective FunctionOnline LearningOne-hot EncodingOverfittingOptimizer
P
Policy / Reinforcement Learning PolicyPoolingPretrainingPromptParameter
Q
Queue / BufferQuantizationQ-learningQueryQuality Estimation
R
Retrieval Augmented Generation (RAG)Representation LearningReinforcement Learning (RL)RegularizationRNN / Recurrent Neural Network
S
Supervised LearningSelf-Supervised LearningSequence ModelingSamplingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Universal Approximation TheoremUnsupervised LearningU-NetUnderfittingUncertainty Estimation
V
Variational Autoencoder (VAE)Vector EmbeddingVanishing / Exploding GradientValidation SetVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Z-score NormalizationZero-gradient phenomenonZero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZygosity in augmentation

Tăng cường dữ liệu là gì

Tăng cường dữ liệu là một kỹ thuật được sử dụng để tăng tính đa dạng của các tập dữ liệu huấn luyện, đặc biệt là trong lĩnh vực học máy và học sâu. Bằng cách áp dụng các biến đổi như xoay, tỷ lệ, cắt và thêm tiếng ồn vào các mẫu hiện có, các mẫu mới có thể được tạo ra, cải thiện khả năng tổng quát của mô hình và giảm thiểu hiện tượng quá khớp.


Ý nghĩa của tăng cường dữ liệu thể hiện ở nhiều khía cạnh. Trong các tình huống mà dữ liệu khan hiếm, nó có thể hiệu quả tăng cường số lượng dữ liệu có sẵn cho việc huấn luyện, cải thiện hiệu suất của mô hình. Hơn nữa, bằng cách giới thiệu sự đa dạng, các mẫu tăng cường giúp mô hình học tốt hơn các đặc trưng chính, từ đó nâng cao hiệu suất của nó trên các mẫu chưa thấy.


Về cách thức hoạt động, các kỹ thuật tăng cường dữ liệu có thể được phân loại thành nhiều loại, bao gồm biến đổi hình học, biến đổi màu sắc và tiêm tiếng ồn. Biến đổi hình học như xoay và lật có thể thay đổi góc nhìn của hình ảnh; biến đổi màu sắc điều chỉnh độ sáng và độ tương phản, thay đổi phân phối màu của hình ảnh; tiêm tiếng ồn thêm tiếng ồn ngẫu nhiên vào hình ảnh, giúp mô hình trở nên mạnh mẽ hơn với dữ liệu không hoàn hảo.


Các ứng dụng điển hình bao gồm nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên và phân tích âm thanh. Ví dụ, trong nhận diện hình ảnh, việc xoay và cắt hình ảnh có thể tạo ra nhiều mẫu huấn luyện hơn, từ đó cải thiện độ chính xác của các mô hình phân loại. Trong xử lý ngôn ngữ tự nhiên, có thể thực hiện tăng cường dữ liệu văn bản thông qua việc thay thế từ đồng nghĩa và tái cấu trúc câu.


Xu hướng tương lai của tăng cường dữ liệu có thể hướng tới các phương pháp tự động hóa và thông minh hơn, chẳng hạn như sử dụng Mạng đối kháng sinh (GAN) để tạo ra các mẫu tăng cường chất lượng cao. Hơn nữa, với sự nổi lên của học tự giám sát, tăng cường dữ liệu sẽ ngày càng được tích hợp chặt chẽ hơn với các phương pháp học không giám sát.


Mặc dù tăng cường dữ liệu mang lại nhiều lợi ích quan trọng trong việc cải thiện hiệu suất của mô hình, nhưng cũng có một số nhược điểm. Tăng cường không phù hợp có thể giới thiệu các mẫu sai, dẫn đến việc giảm hiệu suất của mô hình. Hơn nữa, tăng cường quá mức có thể khiến mô hình học được các đặc điểm không cần thiết, ảnh hưởng đến hiệu suất của nó trên dữ liệu thực. Do đó, khi sử dụng tăng cường dữ liệu, cần phải lựa chọn cẩn thận các chiến lược tăng cường phù hợp và thực hiện đánh giá hợp lý.