AI 術語詞典

調整蘭德指數用於評估分群演算法，透過修正隨機偏差，客觀衡量分群結果與真實標籤間的相似程度。

具備自主感知環境、做出決策並執行相應動作以達成特定目標的智慧型軟體實體。

注意力機制讓神經網路在處理序列資料時，動態分配不同位置的關注權重，提升長距離依賴的捕捉能力

Google 的雙向語言模型，用 MLM（遮罩）和 NSP 預訓練，擅長理解文本語意

AI 氣候模型是指使用機器學習加速和改進氣候模擬和預測的技術。AI 能從大規模氣象數據中學習複雜的氣候動態，提高預測準確性和計算效率，支持氣候變化研究和政策制定。

利用強化學習演算法來解決複雜組合最佳化問題的技術，透過與環境互動學習最佳決策策略以尋求近似最佳解。

衡量數學問題或演算法對輸入微小變化的敏感程度。

內容過濾推薦是一種推薦系統方法，它基於用戶過去互動過的項目內容特徵，向用戶推薦相似的項目。它分析項目描述，並匹配用戶偏好。

資料擴增術是一種增加訓練資料多樣性的技術，透過對現有資料進行微小的修改，創造出新的、但仍然代表相同類別的資料點，以提升模型泛化能力。

去噪擴散機率模型（DDPM）是一種生成模型，通過逐步添加高斯噪聲破壞資料，然後學習逆向過程，從噪聲中重建資料，實現高品質的資料生成。

將在來源領域（Source Domain）訓練的模型調整為能有效應用於目標領域（Target Domain）的遷移學習技術。

針對計算、內存、功耗等資源約束進行優化的神經網路，在保持性能的同時減少參數量和計算複雜度。

資料工程核心流程，將原始資料從來源系統擷取（Extract）、清洗轉換（Transform）後，載入（Load）至目標資料倉儲或 AI 訓練管線的三段式架構。

AI 公平性要求模型對不同族群的決策結果無系統性歧視，需透過資料平衡與演算法設計確保一致待遇，是負責任 AI 的核心原則。

焦點損失函數 (Focal Loss) 是一種用於解決物件偵測中類別不平衡問題的損失函數，它通過降低易分類樣本的權重，使模型更關注難分類樣本。

生成對抗網路是一種透過生成器與鑑別器互相對抗學習，最終使生成器能產出逼真資料的深度學習模型

梯度裁剪是一種防止梯度爆炸問題的技術，通過限制梯度的大小，確保訓練過程的穩定性，避免模型參數更新過大。

梯度下降是一種透過反覆運算，沿損失函數的梯度方向，逐步逼近損失函數最小值的演算法

一種高效的注意力機制，將多個查詢頭共享同一組鍵值頭，減少模型參數和記憶體消耗，同時保持性能不下降。

透過增加更多節點或機器來擴展系統處理能力，以應對AI工作負載增長。

超參數是機器學習模型訓練前，由人為設定且影響模型學習效果的參數，例如學習率或網路層數

信息檢索是一個計算機科學領域，旨在從大規模的資料集合中精準查找符合用戶需求的相關信息。它是搜索引擎、推薦系統和知識管理的核心技術。

內積是計算兩向量相似度與投影關係的數學運算。在機器學習中用於衡量特徵相關性，為神經網路的核心基礎。

入侵偵測系統（IDS）是一種安全系統，旨在監控網路或系統中的惡意活動或策略違規行為。它通過分析流量、日誌和系統行為來識別潛在的入侵。

孤立森林是一種無監督異常偵測演算法，透過隨機切割資料空間，將數量稀少且特徵獨特的資料點快速分離出來。

在大型語言模型推理中，預先計算並存儲前面 token 的鍵和值向量，避免重複計算的優化技術。

系統透過經驗不斷改進自身的學習過程，達到越來越高效的適應和泛化能力。

材料科學AI運用機器學習加速新材料的發現與設計，能精準預測材料特性並最佳化製程，顯著縮短研發週期。

既是光滑流形又具有群結構的矩陣集合，在機器人學、3D 視覺、幾何深度學習中用於描述剛體運動與對稱性。

GAN 訓練時生成器只輸出少數幾種重複樣本而喪失多樣性的訓練失敗現象。

樸素貝氏分類器是一種基於貝氏定理的簡單機率分類器。它假設所有特徵之間相互獨立，簡化了計算複雜度，因此得名「樸素」。常用於文本分類等任務。

研究 AI 系統是否及如何產生欺騙性輸出的學術方向，涵蓋幻覺、策略性錯誤陳述與對齊失敗等問題。

單樣本學習是一種機器學習方法，旨在僅使用一個或少數幾個樣本來學習新的類別或概念，模擬人類快速學習的能力。

病理學AI利用人工智慧分析組織切片影像，輔助病理醫生診斷癌症、感染等疾病，提升診斷效率和客觀性。

感知器是最簡單的神經網路模型，模擬生物神經元，接收輸入、加權求和、通過激活函數輸出，用於二元分類。

預測分析（Predictive Analytics）運用機器學習與統計模型，從歷史資料預測未來趨勢或事件機率，廣泛用於銷售預測、風險管理、客戶流失預防。

透過自動化演算法從多語言文本中萃取或合成的高語義相似度句子對集合，主要用於緩解跨語言任務中的資料稀缺問題。

Python 串列（List）是一種有序、可變的資料結構，用於儲存一系列元素；字典（Dictionary）則是一種鍵值對（Key-Value）的資料結構，用於快速查找和存取資料。

要求模型跨越字面意義，透過邏輯推演與跨段落分析，推導出未明示結論的進階自然語言處理技術。

針對需要空間位置理解的 AI 模型，設計能有效擴展至大規模資料與計算量的訓練框架與方法。

語義空間是將詞彙、句子或文件轉換為多維連續向量的數學模型，使電腦能計算語言的意義相似度與深層關聯。

序列異常偵測是一種從具有時間或先後順序的資料中，找出不符合預期模式或異常行為的分析技術。

推測解碼是一種加速大型語言模型推論速度的技術，透過小型模型預測多個token，再由大型模型驗證，減少計算量。

符號推理是人工智慧中一種透過符號表示知識，並運用邏輯規則進行推論的方法，旨在模擬人類的理性思考過程。

元學習中，多個相關任務的集合及其統計特性的抽象，定義了『哪些任務相關』及『任務多樣性如何』。

改變分類模型的決策閾值來權衡精確率和召回率的技術，預設閾值通常為 0.5，調整閾值可適應不同業務需求

將Transformer架構應用於時序資料，利用自注意力捕捉時間依賴，在預測任務上取得優異成績。

權重裁剪是一種正則化技術，透過將神經網路的權重限制在特定數值範圍內，以增強模型訓練的穩定性與收斂效果。

「權重衰減」是深度學習正則化技術，透過懲罰過大權重，防止模型過度擬合，提升泛化能力。

根據用戶的個別偏好、歷史互動與明確反饋動態調整 AI 系統行為的個人化對齊技術。