قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Zero-Shot Learning (ZSL)
Capacité d'un modèle à reconnaître des classes jamais vues pendant l'entraînement en utilisant des descriptions sémantiques.
Few-Shot Learning (FSL)
Apprentissage avec un très petit nombre d'exemples par classe (généralement 1-5) pour généraliser à de nouvelles tâches.
Meta-Learning
Apprentissage à apprendre où le modèle acquiert des capacités de généralisation rapide pour s'adapter à de nouvelles tâches.
Prompt Engineering
Conception optimisée d'invites textuelles pour guider les modèles vers des performances ZSL/FSL sans réentraînement.
Prototype Networks
Architectures créant des représentations de classe (prototypes) à partir de peu d'exemples pour la classification.
Metric Learning
Apprentissage d'espaces d'embedding où la similarité entre exemples est optimisée pour le few-shot learning.
Cross-Lingual Zero-Shot
Transfert de connaissances entre langues pour effectuer des tâches dans une langue sans exemples d'entraînement.
Attribute-Based Learning
Utilisation d'attributs sémantiques décomposables pour reconnaître des classes jamais vues en ZSL.
Memory-Augmented Networks
Architectures avec mémoire externe pour stocker et récupérer rapidement des informations pour le few-shot learning.
Self-Supervised Pre-training
Pré-entraînement sur des données non étiquetées pour améliorer les capacités ZSL/FSL du modèle.
Knowledge Graph Integration
Incorporation de relations structurées entre entités pour améliorer le raisonnement ZSL.
Relation Networks
Modèles apprenant à comparer des paires d'exemples pour le few-shot classification.
Continual Learning for ZSL/FSL
Adaptation progressive aux nouvelles classes/tâches sans oublier les connaissances précédentes.
Data Augmentation for Few-Shot
Techniques génératives pour augmenter artificiellement les petits ensembles de données en few-shot learning.
Transfer Learning Adaptation
Adaptation fine de modèles pré-entraînés pour des performances optimales en ZSL/FSL.