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

Autoencoder Biến thiên (VAE) là gì

Autoencoder Biến thiên (Variational Autoencoder, VAE) là một mô hình sinh thuộc lĩnh vực học không giám sát. Ý tưởng cốt lõi của nó là đưa ra suy diễn biến thiên vào cấu trúc của autoencoder, cho phép nó học được biểu diễn tiềm ẩn của dữ liệu và tạo ra các mẫu mới.

Ý nghĩa của VAE nằm ở ứng dụng của nó trong các nhiệm vụ như tạo hình ảnh, tăng cường dữ liệu và bổ sung dữ liệu bị thiếu. Nó hoạt động bằng cách mã hóa dữ liệu đầu vào thành một phân phối trong không gian tiềm ẩn, thay vì một điểm đơn, từ đó nắm bắt tốt hơn sự đa dạng của dữ liệu.

Một ứng dụng điển hình của VAE có thể thấy trong việc tạo ra hình ảnh, âm nhạc và các loại văn bản khác nhau. Khi các mô hình sinh phát triển không ngừng, VAE dự kiến sẽ đóng vai trò lớn hơn trong các lĩnh vực như sáng tạo nghệ thuật, thực tế ảo và mô phỏng dữ liệu. Tuy nhiên, VAE cũng có những hạn chế, chẳng hạn như chất lượng các mẫu được tạo ra có thể không đạt được như các mạng sinh đối kháng (GAN).

Khi sử dụng VAE, các nhà nghiên cứu và nhà phát triển cần lưu ý đến việc lựa chọn tham số mô hình, chiều không gian tiềm ẩn và các vấn đề hội tụ trong quá trình đào tạo. Với thiết kế và điều chỉnh hợp lý, VAE có thể cung cấp hỗ trợ mạnh mẽ cho nhiều ứng dụng.