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

Joint Embedding là gì

Joint Embedding là một kỹ thuật được sử dụng trong học máy và học sâu để nhúng các loại dữ liệu khác nhau, chẳng hạn như văn bản, hình ảnh và âm thanh, vào cùng một không gian vector. Phương pháp này tập trung vào việc cải thiện hiệu suất của các mô hình trong các tác vụ đa mô hình bằng cách học một đại diện chia sẻ.

Bằng cách đào tạo một mạng nơ-ron, Joint Embedding học cách ánh xạ các nguồn dữ liệu khác nhau vào một không gian vector chung. Trong không gian này, các đầu vào tương tự được ánh xạ đến các điểm gần nhau, điều này rất quan trọng cho các tác vụ cần xử lý nhiều loại đầu vào khác nhau, như chú thích hình ảnh và hiểu video.

Ví dụ, trong việc nhúng hình ảnh và văn bản, một mô hình có thể ánh xạ các đặc điểm hình ảnh và mô tả văn bản vào cùng một không gian, cho phép tìm kiếm hình ảnh dựa trên mô tả văn bản. Khi học đa mô hình tiếp tục phát triển, Joint Embedding dự kiến sẽ tìm thấy nhiều ứng dụng hơn trong thực tế tăng cường và thực tế ảo.

Mặc dù Joint Embedding mang lại những lợi ích như hiệu suất và hiệu quả được cải thiện cho các tác vụ đa mô hình, nó cũng có thể gặp phải những thách thức như độ phức tạp tính toán trong quá trình đào tạo và nhu cầu về tập dữ liệu quy mô lớn. Việc tiền xử lý dữ liệu phù hợp và lựa chọn mô hình là rất quan trọng cho việc triển khai thành công.