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

GAN / Mạng đối kháng sinh tạo là gì?

Mạng đối kháng sinh tạo (GAN) là một loại khung học máy được giới thiệu bởi Ian Goodfellow vào năm 2014. Ở cốt lõi, GAN bao gồm hai mạng nơ-ron: một bộ sinh và một bộ phân biệt. Nhiệm vụ của bộ sinh là tạo ra dữ liệu giống như dữ liệu thực, trong khi vai trò của bộ phân biệt là phân biệt giữa dữ liệu thực và dữ liệu được tạo ra. Quá trình đối kháng này cho phép GAN tạo ra hình ảnh, âm thanh và các loại dữ liệu khác có chất lượng cao.

GAN đã tìm thấy ứng dụng trong nhiều lĩnh vực, bao gồm tạo hình ảnh, phục hồi hình ảnh, tái tạo siêu phân giải và tăng cường dữ liệu. Chúng cũng thể hiện tiềm năng trong các lĩnh vực như phân tích hình ảnh y tế và lái xe tự động. Khi công nghệ phát triển, GAN có thể đạt được những bước đột phá lớn hơn về độ xác thực và sự đa dạng của nội dung được tạo ra, nhưng cũng cần lưu ý đến những rủi ro tiềm ẩn về lạm dụng, chẳng hạn như tạo ra thông tin sai lệch.