এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
জিরো-শট লার্নিং (জেডএসএল)
একটি মেশিন লার্নিং প্যারাডাইম যেখানে মডেল প্রশিক্ষণের সময় দেখা যায়নি এমন ক্লাসগুলিকে টেক্সচুয়াল বিবরণ বা বৈশিষ্ট্যের মতো সহায়ক সেমান্টিক তথ্য ব্যবহার করে চিনতে পারে।
সেমান্টিক ডিকম্পোজিশন
জটিল ক্লাসগুলিকে মৌলিক এবং শেয়ার্ড বৈশিষ্ট্যগুলিতে বিভক্ত করার প্রক্রিয়া, এই পারমাণবিক উপাদানগুলির সংমিশ্রণের মাধ্যমে নতুন ক্লাসগুলিতে সাধারণীকরণ সহজতর করা।
অ্যাট্রিবিউট স্পেস
একটি উচ্চ-মাত্রিক ভেক্টর স্পেস যেখানে প্রতিটি মাত্রা একটি নির্দিষ্ট সেমান্টিক বৈশিষ্ট্য উপস্থাপন করে, দেখা এবং অদেখা উভয় ক্লাসের জন্য একটি সাধারণ ডোমেন হিসেবে কাজ করে।
সেমান্টিক এমবেডিং
একটি ঘন ভেক্টর উপস্থাপনা যা ধারণাগুলির মধ্যে সেমান্টিক সম্পর্ক ক্যাপচার করে, ক্লাসগুলির মধ্যে সাদৃশ্য পরিমাপ এবং জ্ঞান স্থানান্তর অনুমোদন করে।
অ্যাট্রিবিউট-ক্লাস ম্যাপিং
একটি ফাংশন যা বৈশিষ্ট্য উপস্থাপনা এবং ক্লাসগুলির মধ্যে চিঠিপত্র শেখে, জিরো-শট দৃশ্যকল্পে শ্রেণীবিভাগের জন্য অপরিহার্য।
অ্যাট্রিবিউট ইনফারেন্স
স্বীকৃতির প্রক্রিয়া যেখানে মডেল প্রথমে একটি উদাহরণে উপস্থিত বৈশিষ্ট্যগুলি সনাক্ত করে, তারপর এই পর্যবেক্ষণের উপর ভিত্তি করে সম্ভাব্য ক্লাস অনুমান করে।
সেমান্টিক নলেজ বেস
একটি কাঠামো যা ধারণা এবং বৈশিষ্ট্যগুলির মধ্যে সেমান্টিক সম্পর্ক ধারণ করে, জিরো-শট লার্নিংয়ের জন্য বাহ্যিক জ্ঞানের উৎস হিসেবে ব্যবহার করা হয়।
সেমান্টিক প্রজেকশন বায়াস
একটি ঘটনা যেখানে জেডএসএল মডেলগুলি প্রশিক্ষণের সময় দেখা ক্লাসগুলিকে অগ্রাধিকার দিয়ে ভবিষ্যদ্বাণী করার প্রবণতা রাখে, এমনকি সাধারণীকৃত জিরো-শট দৃশ্যকল্পেও।
সাধারণীকৃত জিরো-শট লার্নিং (GZSL)
ZSL-এর একটি সম্প্রসারণ যেখানে মডেলটিকে একইসাথে দেখা এবং অদেখা উভয় শ্রেণি শ্রেণীবদ্ধ করতে হয়, যা বাস্তব-বিশ্বের প্রয়োগের পরিস্থিতিকে আরও ভালভাবে প্রতিফলিত করে।