एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
एन-पेयर लॉस
ट्रिपलेट लॉस का सामान्यीकरण जो एक सकारात्मक उदाहरण की तुलना एक साथ एन नकारात्मक उदाहरणों से करता है, सीखने की दक्षता और अभिसरण की स्थिरता में सुधार करता है। यह बड़े पैमाने के डेटासेट के लिए विशेष रूप से प्रभावी है।
एंगुलर लॉस
एक हानि फ़ंक्शन जो यूक्लिडियन दूरी के बजाय एम्बेडिंग वैक्टर के बीच के कोणों को अनुकूलित करता है, बेहतर स्केल अपरिवर्तनीयता और वर्गों के बेहतर पृथक्करण प्रदान करता है। यह चेहरे की पहचान कार्यों के लिए विशेष रूप से उपयोगी है।
सेंटर लॉस
एक हानि फ़ंक्शन जो एक ही वर्ग के एम्बेडिंग को उनके सीखे गए वर्ग केंद्र के करीब लाने के लिए मजबूर करके अंतर-वर्ग दूरी को कम करता है। इसे अक्सर क्लस्टरों की सघनता में सुधार के लिए अन्य विभेदक हानियों के साथ संयोजित किया जाता है।
आर्कफेस लॉस
एक योगात्मक कोणीय हानि फ़ंक्शन जो हाइपर-स्फीयर स्थान पर एक कोणीय मार्जिन जोड़कर एम्बेडिंग की विभेदकता में सुधार करता है। यह कई वर्गों और कम उदाहरणों वाली पहचान कार्यों के लिए विशेष रूप से प्रभावी है।
स्फीयरफेस लॉस
एक गुणात्मक कोणीय हानि फ़ंक्शन जो अंतर-वर्ग पृथक्करण में सुधार के लिए एम्बेडिंग पर एक कोणीय बाधा लगाता है। इसे एक इकाई हाइपरस्फीयर पर विभेदक एम्बेडिंग सीखने के लिए डिज़ाइन किया गया है।
प्रॉक्सी-एनसीए लॉस
नेबरहुड कंपोनेंट्स एनालिसिस का एक प्रकार जो प्रत्येक वर्ग का प्रतिनिधित्व करने के लिए सीखने योग्य प्रॉक्सी का उपयोग करता है, जोड़ी-आधारित दृष्टिकोणों की तुलना में कम्प्यूटेशनल जटिलता को कम करता है। यह बड़े पैमाने के डेटासेट के लिए विशेष रूप से प्रभावी है।
डीप मेट्रिक लर्निंग
कच्चे डेटा से जटिल दूरी या समानता कार्यों को सीखने के लिए गहरे तंत्रिका नेटवर्क का अनुप्रयोग। यह दृष्टिकोण गहरे नेटवर्क की प्रतिनिधित्व शक्ति को मेट्रिक लर्निंग के सिद्धांतों के साथ जोड़ता है।
सिमिलैरिटी लर्निंग
सीखने का एक प्रतिमान जहां मॉडल सीधे लेबल की भविष्यवाणी करने के बजाय उदाहरणों के जोड़े के बीच समानता का मूल्यांकन करना सीखता है। यह दृष्टिकोण फ्यू-शॉट लर्निंग और सिफारिश प्रणालियों के लिए मौलिक है।