এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
iCaRL (ইনক্রিমেন্টাল ক্লাসিফায়ার এবং রিপ্রেজেন্টেশন লার্নিং)
পূর্বে শেখা ক্লাসগুলোর পারফরম্যান্স বজায় রাখার জন্য নমুনা রিপ্লে এবং নলেজ ডিস্টিলেশন টেকনিক সমন্বিত ইনক্রিমেন্টাল লার্নিং ফ্রেমওয়ার্ক।
ডার্ক এক্সপেরিয়েন্স রিপ্লে (DER)
একটি রিপ্লে পদ্ধতি যা শুধু কাঁচা ডেটা নয়, বরং লেটেন্ট রিপ্রেজেন্টেশন এবং লজিটসও সংরক্ষণ করে কন্টিনিউয়াস লার্নিং-এ অতীত জ্ঞানের আরও কার্যকর পুনর্গঠনের জন্য।
হাইন্ডসাইট রিপ্লে
একটি সিলেক্টিভ রিপ্লে কৌশল যা ক্যাটাস্ট্রফিক ফরগেটিং এড়ানোর জন্য সবচেয়ে গুরুত্বপূর্ণ নমুনা চিহ্নিত করতে এবং পুনরায় ব্যবহার করতে অতীত পারফরম্যান্সের মেটা-ইনফরমেশন ব্যবহার করে।
রিজার্ভয়ার স্যাম্পলিং
একটি র্যান্ডম স্যাম্পলিং অ্যালগরিদম যা ডেটা স্ট্রিম থেকে একটি নির্দিষ্ট আকারের প্রতিনিধিত্বমূলক সেট বজায় রাখে, নিশ্চিত করে যে প্রতিটি নমুনা রিপ্লে বাফারে সংরক্ষিত থাকার সমান সম্ভাবনা রয়েছে।
রিং বাফার রিপ্লে
একটি সার্কুলার মেমোরি স্ট্রাকচার যা বাফার পূর্ণ হলে পুরোনো নমুনাগুলো নতুন দিয়ে প্রতিস্থাপন করে, সাম্প্রতিকতম ডেটাকে অগ্রাধিকার দেয় এবং একই সাথে একটি ধ্রুব মেমোরি সাইজ বজায় রাখে।
ব্যালান্সড রিপ্লে
একটি রিপ্লে টেকনিক যা ডিস্ট্রিবিউশন বায়াস এড়াতে এবং জ্ঞানের ন্যায্য বন্টন নিশ্চিত করতে বিভিন্ন ক্লাস বা টাস্কের নমুনাগুলোর মধ্যে ভারসাম্য বজায় রাখে।
কারিকুলাম রিপ্লে
একটি সংগঠিত রিপ্লে পদ্ধতি যা সাধারণত সহজ থেকে জটিল পর্যন্ত একটি সর্বোত্তম শিক্ষামূলক ক্রম অনুসারে পুরোনো নমুনাগুলো উপস্থাপন করে নতুন জ্ঞান একীভূতকরণ সহজতর করার জন্য।
হাইব্রিড রিপ্লে
একটি কৌশল যা মেমোরি রিসোর্সের ব্যবহার অপ্টিমাইজ করার পাশাপাশি জ্ঞান ধারণ সর্বাধিক করতে একাধিক রিপ্লে পদ্ধতি (কাঁচা ডেটা, জেনারেটেড স্যাম্পল, রিপ্রেজেন্টেশন) একত্রিত করে।
টেম্পোরাল রিপ্লে
একটি রিপ্লে পদ্ধতি যা উদাহরণগুলির সময়গত ক্রম বিবেচনা করে, ক্রমিক ডেটাতে সময়-নির্ভর প্যাটার্ন এবং কার্যকারণ সম্পর্ক ধরে রাখাকে অগ্রাধিকার দেয়।
কোরসেট সিলেকশন রিপ্লে
একটি অ্যালগরিদমিক পদ্ধতি যা প্রদত্ত মেমরি বাজেটের জন্য অতীত ডেটার প্রতিনিধিত্ব সর্বাধিক করে এমন উদাহরণগুলির একটি ন্যূনতম উপসেট (কোরসেট) নির্বাচন করে।
নিউরাল এপিসোডিক কন্ট্রোল
একটি আর্কিটেকচার যা পার্থক্যযোগ্য এপিসোডিক মেমরি এবং নির্বাচনী রিপ্লেকে একত্রিত করে দক্ষ অবিরত শিক্ষার জন্য, বিশেষভাবে রিইনফোর্সমেন্ট পরিবেশের জন্য উপযুক্ত।
মেটা-লার্নিং রিপ্লে
একটি পদ্ধতি যেখানে মডেল শেখে কিভাবে কার্যকরভাবে রিপ্লে উদাহরণ নির্বাচন এবং ব্যবহার করতে হয়, নতুন কাজের বৈশিষ্ট্যগুলির সাথে গতিশীলভাবে খাপ খায়।