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

Giám sát Yếu là gì

Giám sát yếu đề cập đến một phương pháp học máy sử dụng dữ liệu gán nhãn không đầy đủ, ồn ào hoặc chất lượng kém để đào tạo các mô hình. Phương pháp này đặc biệt hữu ích trong các tình huống mà chi phí gán nhãn dữ liệu cao hoặc dữ liệu gán nhãn khan hiếm. Bằng cách tận dụng một lượng lớn dữ liệu không gán nhãn cùng với một lượng nhỏ dữ liệu gán nhãn, giám sát yếu có thể cải thiện khả năng tổng quát và hiệu suất dự đoán của một mô hình.

Các kỹ thuật phổ biến trong giám sát yếu bao gồm học tự giám sát, tạo nhãn giả, tăng cường dữ liệu và học chuyển giao. Những kỹ thuật này sử dụng hiệu quả dữ liệu không gán nhãn, giảm bớt sự phụ thuộc vào số lượng lớn dữ liệu gán nhãn chất lượng cao. Giám sát yếu đã chứng minh hiệu suất xuất sắc trong nhiều ứng dụng thực tiễn như xử lý ngôn ngữ tự nhiên, thị giác máy tính và phân tích hình ảnh y tế.

Tuy nhiên, giám sát yếu cũng gặp phải một số thách thức. Nhãn ồn có thể dẫn đến hiệu suất của mô hình giảm, và việc sử dụng không đúng cách có thể gây ra thiên lệch. Do đó, việc lựa chọn phương pháp cẩn thận và đánh giá mô hình là rất quan trọng khi áp dụng giám sát yếu.

Trong tương lai, khi các ứng dụng dựa trên dữ liệu tiếp tục gia tăng, giám sát yếu được dự đoán sẽ tìm thấy ứng dụng trong nhiều lĩnh vực hơn. Các nhà nghiên cứu đang liên tục khám phá các cách để cải thiện các kỹ thuật giám sát yếu nhằm nâng cao tính ổn định và độ chính xác của chúng.