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

K-Shot Learning là gì

K-Shot Learning là một phương pháp học máy tập trung vào các nhiệm vụ học với ít ví dụ. Nó cho phép các mô hình được đào tạo bằng cách sử dụng một số lượng mẫu tối thiểu, giúp chúng hoạt động tốt trong các nhiệm vụ mới. 'K' trong K-Shot đề cập đến số lượng mẫu mỗi lớp, có thể thay đổi từ 1 (One-Shot Learning) đến 2, 3, v.v.

Trong học máy truyền thống, thường cần một lượng lớn dữ liệu đã được gán nhãn để đào tạo các mô hình. Ngược lại, K-Shot Learning sử dụng hiệu quả dữ liệu hiện có, giảm thiểu sự phụ thuộc vào các tập dữ liệu lớn. Kỹ thuật này được áp dụng rộng rãi trong các lĩnh vực như nhận diện hình ảnh và xử lý ngôn ngữ tự nhiên, đặc biệt là trong các tình huống mà việc thu thập dữ liệu có chi phí cao hoặc khó khăn.

Cách thức hoạt động thông thường của K-Shot Learning bao gồm hai bước chính: đầu tiên, đào tạo mô hình thông qua học meta để nó hoạt động tốt trong nhiều nhiệm vụ; thứ hai, cho phép mô hình nhanh chóng thích ứng với các nhiệm vụ mới bằng cách sử dụng một số lượng mẫu hạn chế. Trong tương lai, K-Shot Learning được kỳ vọng sẽ tích hợp với các kỹ thuật học sâu khác cho các nhiệm vụ phức tạp hơn.

Một trong những lợi thế của K-Shot Learning là cho phép học hiệu quả trong điều kiện thiếu dữ liệu, làm cho nó phù hợp với nhiều ứng dụng thực tế. Tuy nhiên, nó nhạy cảm với sự lựa chọn mẫu và có thể vẫn dẫn đến việc quá khớp khi số lượng mẫu cực kỳ hạn chế.