এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
স্ব-তত্ত্বাবধানমূলক শিক্ষণ
একটি শিক্ষণ প্যারাডাইম যেখানে একটি মডেল লেবেলবিহীন ডেটা থেকে কৃত্রিম তত্ত্বাবধান কাজ তৈরি করে উপস্থাপনা শেখে। এই পদ্ধতি ব্যয়বহুল ম্যানুয়াল অ্যানোটেশন ছাড়াই বিপুল পরিমাণ ডেটা ব্যবহার করতে সক্ষম করে।
বিপরীতমুখী শিক্ষণ
স্ব-তত্ত্বাবধানমূলক শিক্ষণের একটি কৌশল যা এম্বেডিং স্পেসে অনুরূপ ইতিবাচক নমুনাগুলিকে কাছাকাছি আনা এবং অসদৃশ নেতিবাচক নমুনাগুলিকে দূরে সরিয়ে উপস্থাপনা শেখে। এই পদ্ধতি একই নমুনার বিভিন্ন অগমেন্টেশনের মধ্যে সামঞ্জস্য সর্বাধিক করে।
প্রিটেক্সট টাস্ক
স্ব-তত্ত্বাবধানমূলক শিক্ষণের জন্য ডিজাইন করা একটি কৃত্রিম কাজ যা মডেলটিকে লেবেলবিহীন ডেটা থেকে দরকারি বৈশিষ্ট্য শিখতে বাধ্য করে। এই কাজগুলি ডাউনস্ট্রিম টাস্কে স্থানান্তরের আগে মডেল প্রশিক্ষণের জন্য একটি অজুহাত হিসেবে কাজ করে।
মোমেন্টাম কনট্রাস্ট (MoCo)
একটি বিপরীতমুখী শিক্ষণ ফ্রেমওয়ার্ক যা নেতিবাচক নমুনাগুলির একটি কিউ বজায় রাখে এবং উপস্থাপনার সামঞ্জস্য নিশ্চিত করতে একটি মোমেন্টাম এনকোডার ব্যবহার করে। এই পদ্ধতি বড় ব্যাচ সাইজের প্রয়োজন ছাড়াই প্রচুর নেতিবাচক নমুনা ব্যবহার করতে সক্ষম করে।
সিমসিএলআর
একটি সরল বিপরীতমুখী শিক্ষণ ফ্রেমওয়ার্ক যা নিউরাল নেটওয়ার্কের মাধ্যমে যাওয়ার পর একই নমুনার বিভিন্ন অগমেন্টেশনের মধ্যে সামঞ্জস্য সর্বাধিক করে। এই পদ্ধতি প্রদর্শন করে যে ডেটা অগমেন্টেশন এবং ব্যাচ সাইজ পারফরম্যান্সের জন্য অত্যন্ত গুরুত্বপূর্ণ।
বিওয়াইওএল
একটি স্ব-তত্ত্বাবধানমূলক শিক্ষণ পদ্ধতি যা নেতিবাচক নমুনা ব্যবহার করে না, বরং একটি অসমমিত আর্কিটেকচার এবং একটি প্রেডিক্টর সহ দুটি নেটওয়ার্কের উপর নির্ভর করে। বিওয়াইওএল গ্রেডিয়েন্ট স্টপিং এবং মোমেন্টাম আপডেটের মাধ্যমে তুচ্ছ পতন এড়ায়।
বৈশিষ্ট্য উপস্থাপনা
একটি ল্যাটেন্ট স্পেসে কাঁচা ডেটার ভেক্টর এনকোডিং যেখানে সিম্যান্টিক সম্পর্ক সংরক্ষিত এবং ডাউনস্ট্রিম টাস্কের জন্য ব্যবহারযোগ্য। স্ব-তত্ত্বাবধান দ্বারা শেখা উপস্থাপনাগুলি স্থানান্তরযোগ্য জেনেরিক বৈশিষ্ট্য ধারণ করে।
লেবেলবিহীন ডেটা
ম্যানুয়াল অ্যানোটেশনবিহীন কাঁচা ডেটা যা লেবেলযুক্ত ডেটার তুলনায় প্রচুর এবং সংগ্রহে কম ব্যয়বহুল। স্ব-তত্ত্বাবধানমূলক শিক্ষণ দক্ষতার সাথে এই ডেটাগুলি ব্যবহার করে উচ্চ পারফরম্যান্সের মডেল প্রি-ট্রেন করতে পারে।
এম্বেডিং স্পেস
কম মাত্রার ভেক্টর স্পেস যেখানে ডেটা প্রক্ষেপিত করা হয় তাদের সেমান্টিক এবং গঠনমূলক সম্পর্ক ক্যাপচার করার জন্য। স্ব-তত্ত্বাবধানে শেখার ক্ষেত্রে, লক্ষ্য হল একটি বৈষম্যমূলক এম্বেডিং স্পেস শেখা।
নেগেটিভ স্যাম্পলিং
একটি কৌশল যা কনট্রাস্টিভ লার্নিংয়ের সময় এম্বেডিং স্পেসে অ্যাঙ্কর থেকে দূরে রাখতে হবে এমন উদাহরণ নির্বাচন করে। নেগেটিভগুলোর কৌশলগত পছন্দ সরাসরি শেখা উপস্থাপনাগুলোর গুণমানকে প্রভাবিত করে।
প্রজেকশন হেড
প্রধান এনকোডারের পরে প্রয়োগ করা অতিরিক্ত নিউরাল নেটওয়ার্ক যা উপস্থাপনাগুলোকে সেই স্পেসে ম্যাপ করে যেখানে কনট্রাস্টিভ লস গণনা করা হয়। এই হেডটি সাধারণত ডাউনস্ট্রিম টাস্কে ট্রান্সফার করার সময় সরানো হয়।
এনকোডার আর্কিটেকচার
নিউরাল নেটওয়ার্কের গঠন যা কাঁচা ডেটাকে অর্থপূর্ণ ভেক্টর উপস্থাপনায় রূপান্তর করার জন্য দায়ী। আর্কিটেকচারের পছন্দ (ResNet, Transformer, ইত্যাদি) মডেলের বিমূর্ততা ক্ষমতাকে প্রভাবিত করে।
DINO
জ্ঞান পাতন ভিত্তিক একটি স্ব-তত্ত্বাবধানে পদ্ধতি যা দুটি নেটওয়ার্কের মধ্যে নেগেটিভ স্যাম্পল ব্যবহার না করে কাজ করে। DINO প্রাকৃতিকভাবে ইমেজের সেমান্টিক্স ক্যাপচার করে এমন উপস্থাপনা তৈরি করে এবং ক্লাস্টারিংয়ের জন্য ভালোভাবে উপযুক্ত।