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

Zygosity trong tăng cường là gì

Zygosity đề cập đến cấu trúc di truyền của một sinh vật theo cách các alen của nó, có thể là đồng hợp tử hoặc dị hợp tử. Trong bối cảnh tăng cường, việc hiểu zygosity là rất quan trọng vì nó có thể ảnh hưởng đáng kể đến hiệu quả của các can thiệp điều trị khác nhau.

Trong các lĩnh vực như liệu pháp gen, zygosity của một cá nhân có thể ảnh hưởng đến cách họ phản ứng với các liệu pháp nhằm tăng cường các đặc điểm nhất định hoặc sửa chữa các rối loạn di truyền. Ví dụ, những cá nhân có tình trạng đồng hợp tử có thể có phản ứng khác so với những người dị hợp tử, từ đó ảnh hưởng đến kết quả điều trị.

Khi công nghệ sinh học phát triển, đặc biệt là với các công nghệ như CRISPR, khả năng tùy chỉnh các liệu pháp tăng cường dựa trên zygosity có thể trở nên phổ biến hơn. Điều này có thể dẫn đến các phương pháp y học cá nhân hóa, tối ưu hóa hiệu quả điều trị và giảm thiểu rủi ro.

Nhìn chung, việc tích hợp các yếu tố zygosity vào các chiến lược tăng cường đại diện cho một bước tiến quan trọng trong sự phát triển của liệu pháp di truyền, mở đường cho các phương pháp điều trị hiệu quả và cá nhân hóa hơn.