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

Mạng Nơ-ron Đồ Thị (GNN) là gì

Mạng Nơ-ron Đồ Thị (Graph Neural Networks, GNN) là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu được biểu diễn dưới dạng đồ thị. Khác với các mạng nơ-ron truyền thống, GNN có khả năng nắm bắt mối quan hệ và thông tin cấu trúc giữa các nút trong đồ thị. Khả năng này khiến chúng đặc biệt hữu ích trong các lĩnh vực như phân tích mạng xã hội, hệ thống gợi ý và dự đoán cấu trúc phân tử hóa học.

Định nghĩa GNN xuất phát từ nhu cầu xử lý dữ liệu đồ thị, một loại dữ liệu phổ biến trong nhiều lĩnh vực. Các mạng nơ-ron truyền thống thường gặp khó khăn khi xử lý dữ liệu này một cách trực tiếp. GNN hoạt động bằng cách tổng hợp và truyền bá thông tin của các nút, cho phép mỗi nút kết hợp thông tin từ các nút láng giềng, từ đó cải thiện khả năng hiểu cấu trúc tổng thể của đồ thị. Thông qua việc xếp chồng nhiều lớp mạng nơ-ron, GNN có thể dần dần trích xuất các đặc điểm cấp cao hơn.

Xét về tầm quan trọng, GNN đã đạt được những kết quả đáng kể trong nhiều lĩnh vực, đặc biệt là trong các đồ thị tri thức và phân đoạn hình ảnh. Hơn nữa, với sự xuất hiện của dữ liệu lớn và các mạng phức tạp, triển vọng ứng dụng của GNN rất rộng lớn và có thể đóng vai trò quan trọng hơn trong giao thông thông minh và đánh giá rủi ro tài chính trong tương lai.

Tuy nhiên, việc sử dụng GNN cũng gặp phải một số thách thức, chẳng hạn như độ phức tạp tính toán cao và khó khăn trong việc huấn luyện mô hình. Do đó, trong các ứng dụng thực tế, điều quan trọng là phải xem xét các yếu tố này và thực hiện lựa chọn và tối ưu hóa mô hình hợp lý.