🌐联邦学习

在不共享原始数据的情况下，跨去中心化设备训练模型。

🔢少样本学习

每个类别仅从少量标记示例中学习。

🎛️微调

在较小的特定任务数据集上进一步训练预训练模型。

⚔️生成对抗网络

两个网络相互竞争：生成器创建数据，判别器判断数据。

🎨生成式人工智能

能够创建新内容（例如文本、图像或音频）的人工智能系统。

✨生成模型

一个学习生成与训练集相似的新数据的模型。

⛰️梯度下降

一种迭代最小化损失函数的优化算法。

🕸️图神经网络

一种专为处理图结构数据而设计的神经网络。

🎚️超参数

控制模型训练过程的配置设置。

🧩图像分割

将图像分割成区域以识别对象和边界。

⚙️推理

使用训练好的模型对新数据进行预测的过程。

🧪知识提炼

训练一个小型模型来模仿一个大型模型的行为。

🕸️知识图谱

实体及其关系的结构化表示。

🏷️标签

与训练样本关联的已知输出或目标值。

📖大型语言模型

基于Transformer的模型，在海量文本语料库上进行训练。

👻潜在变量

从数据中推断出的、影响结果的未观察到的变量。

🧠长短期记忆

一种学习长程依赖关系的循环网络架构。

📏损失函数

一个衡量预测值与实际值之间差异的函数。

📈机器学习

一个算法通过经验和数据自动改进的领域。

📦模型

一种从数据中学习到的、能够进行预测的数学表示。

🗜️模型压缩

能够减小模型大小以实现更快、更便宜部署的技术。

🎭多模态学习

从文本和图像等多种类型的数据中学习和整合。

🗣️自然语言处理

计算机科学是使计算机能够理解和生成人类语言的领域。

🔗神经网络

一种受生物神经元启发，能够从数据中学习的计算系统。

🔲目标检测

识别和定位图像或视频中的物体。

🗺️本体论

对某一领域中的概念和关系进行正式规范。

🔎光学字符识别

将文本图像转换为机器编码文本。

🎯过拟合

当模型对训练数据学习得太好而无法泛化时。

🎯精确率和召回率

衡量分类器准确性和完整性的指标。

✍️快捷工程

设计输入以引导语言模型达到预期的输出。