এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ফিউ-শট অবজেক্ট ডিটেকশন
বস্তু সনাক্তকরণের একটি উপ-শাখা যা প্রশিক্ষণের উদাহরণের সংখ্যা অত্যন্ত সীমিত (প্রতি শ্রেণীতে প্রায়ই দশটিরও কম) ব্যবহার করে নতুন বস্তু শ্রেণী চিনতে সক্ষম মডেল প্রশিক্ষণের লক্ষ্য রাখে।
মেট্রিক লার্নিং
একটি কৌশল যা একটি দূরত্ব ফাংশন বা এমবেডিং স্পেস শেখার সাথে জড়িত, যেখানে একই শ্রেণীর বস্তুগুলি কাছাকাছি এবং বিভিন্ন শ্রেণীর বস্তুগুলি দূরে থাকে, যেটি অল্প সংখ্যক উদাহরণ দিয়ে শ্রেণীবিভাগ সহজ করে।
প্রোটোটাইপ নেটওয়ার্ক
একটি মেটা-লার্নিং মডেল যা উপলব্ধ কয়েকটি উদাহরণের বৈশিষ্ট্যগুলির গড় করে প্রতিটি শ্রেণীর জন্য একটি 'প্রোটোটাইপ' তৈরি করে, তারপর একটি নতুন ইনস্ট্যান্সকে নিকটতম প্রোটোটাইপের কাছাকাছি রেখে শ্রেণীবদ্ধ করে।
ম্যাচিং নেটওয়ার্ক
একটি আর্কিটেকচার যা একটি নতুন উদাহরণ (কোয়েরি) সমর্থন উদাহরণগুলির সেটের সাথে তুলনা করতে একটি অ্যাটেনশন মেকানিজম ব্যবহার করে, প্রতিটি সমর্থন উদাহরণের সাদৃশ্যের উপর ভিত্তি করে একটি ওয়েটেড প্রেডিকশন তৈরি করে।
রিলেশন নেটওয়ার্ক
ম্যাচিং নেটওয়ার্কের একটি এক্সটেনশন যা স্পষ্টভাবে একটি সাদৃশ্য ফাংশন (রিলেশন মডিউল) শেখে একটি কোয়েরি এবং সমর্থন উদাহরণগুলির মধ্যে সম্পর্কের ডিগ্রি পরিমাপ করার জন্য, একটি নির্দিষ্ট দূরত্ব ব্যবহার করার পরিবর্তে।
সাপোর্ট-বেসড ফাইন-টিউনিং
একটি কৌশল যেখানে একটি বড় বেস ডেটাসেটে প্রি-ট্রেইনড মডেল দ্রুত নতুন শ্রেণীর সাথে খাপ খাওয়ানোর জন্য অত্যন্ত ছোট সাপোর্ট ডেটাসেট (ফিউ-শট) উপর পুনরায় প্রশিক্ষিত (ফাইন-টিউনড) হয়।
এমবেডিং স্পেস
একটি নিম্ন-মাত্রিক ভেক্টর উপস্থাপনা যেখানে বস্তুগুলি প্রজেক্ট করা হয়, এমনভাবে ডিজাইন করা হয়েছে যে ভেক্টরগুলির মধ্যে দূরত্ব বস্তুগুলির সেমান্টিক বা ভিজুয়াল সাদৃশ্য প্রতিফলিত করে, যা অল্প উদাহরণ দিয়ে শ্রেণীবিভাগের জন্য গুরুত্বপূর্ণ।
কনট্রাস্টিভ লস
মেট্রিক লার্নিংয়ে ব্যবহৃত একটি লস ফাংশন যা একই শ্রেণীর উদাহরণ জোড়া (এনকর এবং পজিটিভ) এর মধ্যে দূরত্ব কমিয়ে দেয় যখন বিভিন্ন শ্রেণীর উদাহরণ (নেগেটিভ) এর সাথে দূরত্ব সর্বাধিক করে।
ট্রিপলেট লস (Triplet Loss)
একটি লস ফাংশন যা তিনটি উদাহরণের উপর কাজ করে (একটি অ্যাঙ্কর, একই ক্লাসের একটি পজিটিভ, ভিন্ন ক্লাসের একটি নেগেটিভ) একটি এম্বেডিং স্পেস শিখতে যেখানে অ্যাঙ্কর-পজিটিভ দূরত্ব অ্যাঙ্কর-নেগেটিভ দূরত্বের চেয়ে একটি নির্দিষ্ট মার্জিনে ছোট।
বক্স-মুক্ত শনাক্তকরণ (Box-Free Detection)
ফিউ-শটে একটি বিকল্প প্যারাডাইম যা সুনির্দিষ্ট বাউন্ডিং বক্স ভবিষ্যদ্বাণী না করে একটি অঞ্চলে অবজেক্টের উপস্থিতি শ্রেণীবদ্ধ করার উপর ফোকাস করে, এইভাবে কাজটিকে সহজ করে যখন ডেটা অত্যন্ত সীমিত।
ফিউ-শটের জন্য রিইনফোর্সমেন্ট লার্নিং
ফিউ-শট লার্নিং প্রক্রিয়া অপ্টিমাইজ করার জন্য রিইনফোর্সমেন্ট লার্নিং অ্যালগরিদম ব্যবহার, উদাহরণস্বরূপ সবচেয়ে প্রাসঙ্গিক সাপোর্ট উদাহরণ নির্বাচন করার জন্য একটি পলিসি শেখা বা মডেল সামঞ্জস্য করার জন্য।
ক্লাস রি-ওয়েটিং (Class Re-weighting)
একটি টেকনিক যা ফিউ-শট ডিটেকশন কনটেক্সটে বেস ক্লাস (অনেক) এবং নভেল ক্লাস (বিরল) এর মধ্যে চরম ভারসাম্যহীনতা মোকাবেলা করতে লস ফাংশনে প্রতিটি ক্লাসের অবদান সামঞ্জস্য করে।
ওয়ান-শট অবজেক্ট ডিটেকশন
ফিউ-শটের একটি চরম ক্ষেত্রে যেখানে মডেলটি শুধুমাত্র একটি লেবেলযুক্ত উদাহরণ থেকে একটি নতুন অবজেক্ট ক্লাস শনাক্ত করতে শিখতে হবে, যা জেনারালাইজেশনের ক্ষেত্রে একটি বড় চ্যালেঞ্জ উপস্থাপন করে।
জিরো-শট অবজেক্ট ডিটেকশন
ফিউ-শটের চেয়েও আরও উচ্চাকাঙ্ক্ষী দৃশ্যকল্প, যেখানে মডেলটিকে এমন অবজেক্ট ক্লাস শনাক্ত করতে হবে যার জন্য এটি কোনো ভিজুয়াল উদাহরণ পায়নি, শুধুমাত্র সেমান্টিক বর্ণনার উপর নির্ভর করে (যেমন, অ্যাট্রিবিউট বা টেক্সট)।