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

Jittering là gì

Jittering đề cập đến sự biến đổi trong độ trễ khi truyền tải các gói dữ liệu qua mạng. Nó là một yếu tố quan trọng trong các ứng dụng thời gian thực như hội nghị video, trò chơi trực tuyến và dịch vụ phát trực tuyến. Jitter cao có thể dẫn đến chất lượng âm thanh và video kém, ảnh hưởng tiêu cực đến trải nghiệm của người dùng.

Jitter chủ yếu được gây ra bởi sự tắc nghẽn mạng, độ trễ và mất gói. Các kết nối có giá trị jitter cao thường dẫn đến các gói đến không theo thứ tự hoặc bị trì hoãn, điều này có thể làm gián đoạn nghiêm trọng dòng chảy của giao tiếp. Để giảm thiểu jitter, có thể sử dụng nhiều công cụ và kỹ thuật khác nhau, bao gồm chính sách Chất lượng Dịch vụ (QoS) và thiết bị tối ưu hóa mạng.

Khi các ứng dụng internet tiếp tục phát triển, đặc biệt là với sự xuất hiện của công nghệ thực tế ảo và thực tế tăng cường, tác động của jitter sẽ ngày càng trở nên quan trọng. Do đó, quản lý và giảm jitter một cách hiệu quả là một mối quan tâm quan trọng đối với các kỹ sư mạng và nhà phát triển.