source:arxiv 相關 AI 術語

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。

演算法問責制指確保人工智慧與自動化系統之設計、開發及部署過程具備透明度、公平性及可解釋性，並在產生損害時明確劃分相關責任歸屬的機制。

低功耗機器學習是一種專注於減少模型推論時能源消耗的技術，旨在延長行動裝置與邊緣設備的電池續航力。

模型基準測試是一套標準化的評估任務與資料集，用來客觀衡量並比較不同 AI 模型的各項性能與實際能力。

偏見偵測旨在識別AI資料或演算法中對特定群體的歧視性偏差，是確保系統公平性與可信度的關鍵步驟。

可證明穩健性指在特定的擾動範圍內，透過數學或嚴謹的演算法保證機器學習模型輸出不會發生改變的性質。

比較不同時間點的影像，識別地表或物件狀態的變化，廣泛應用於監測。

引文網路是將文獻作為節點、引用關係作為有向邊的圖結構，用於分析學術影響力與知識傳承脈絡。

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。

常識推理是賦予人工智慧運用人類日常生活基礎知識進行邏輯判斷的能力，使其能對未明言情境做出合理推斷。

AI 模型在生成回應或進行預測時，所能參考與記憶的輸入資訊範圍及歷史對話內容。

晶體結構預測是指透過計算機演算法，從給定的化學組成預測材料在特定條件下的穩定三維晶體結構。

資料是機器學習模型的學習基礎，包含結構化與非結構化形式，驅動 AI 系統發展。

密集圖像描述是一項結合電腦視覺與自然語言處理的技術，旨在偵測影像中的多個感興趣區域，並為每個區域生成對應的文字描述。

透過部署在廣大空間中的多個智慧感測器節點協同合作，收集並分析環境與系統狀態的分散式資料處理技術。

DNA序列分析是計算生物學領域的關鍵技術，旨在解讀、比較和理解生物體的遺傳信息，對於疾病診斷、藥物開發和演化研究至關重要。

藥物靶點預測是利用機器學習預測候選藥物分子與生物靶點蛋白質之間的結合力，加速新藥研發並降低實驗成本。

利用互逆任務（如中翻英與英翻中）之間的結構對稱性，建構閉環反饋系統以提升機器學習效能的無監督訓練框架。

邊緣運算AI是在終端裝置直接執行人工智慧模型的技術，具備低延遲、省頻寬與強化隱私保護等核心優勢。

端到端自動駕駛是一種深度學習架構，直接將感測器資料轉換為駕駛控制指令，無需人工設計中間模組。

在貝氏推論中，證據指觀測資料的邊際機率。因計算困難，實務上常透過最大化證據下界來最佳化生成模型。

公平性約束是在機器學習模型訓練或部署過程中引入的數學條件，旨在防止系統對特定群體產生偏見，確保演算法決策的公正性。

聯邦平均算法透過對多個節點的本地模型參數進行加權平均，在不收集原始資料的情況下訓練全局模型。

聯邦邊緣學習是一種將機器學習模型訓練下放到邊緣設備的分散式架構，藉由保護數據隱私的同時提升運算效率。

衡量時間序列預測結果的可靠性與波動範圍，反映未來事件的不可預測程度。

基因表達預測利用機器學習分析DNA序列與生物特徵，以推估細胞中特定基因的轉錄活躍度與產物生成量。

指資料在多維空間的拓樸與形狀特徵，幾何深度學習利用此對稱結構處理圖論、流形與點雲等非歐幾里得資料。

圖異常偵測是分析圖結構與節點特徵，以識別出網路中異常節點、邊或子圖的技術，常應用於金融防詐與資安防護。

圖分類是將整個圖形結構映射到特定類別的機器學習任務，旨在根據節點、邊及整體拓撲特徵預測圖形的屬性或狀態。

圖結構生成是一種利用機器學習模型自動建立或擴充圖結構資料的技術，旨在模擬真實世界中節點與邊的複雜關聯網路。

圖池化是一種減少圖形結構資料維度與節點數量的技術，用以提取全域特徵，降低計算成本，在圖神經網路中扮演關鍵的降維角色。

階層式強化學習將複雜任務分解為多層次的子任務，透過高低層策略協同運作，解決稀疏獎勵與長期規劃問題。

指特徵空間中的極高維度狀態，或深度學習模型萃取出具備高度抽象、全局觀念與豐富語意的高階向量表示。

指在人工智慧系統的訓練、評估與決策過程中，系統性引入人類專業知識與反饋的機制，以確保模型行為符合預期。

分析包含數百個窄頻譜波段的影像，以識別材料成分與特性。

AI 模型對數位圖片進行處理、分析或生成的基礎技術，涵蓋像素級的特徵萃取、語意解析與跨模態影像合成。

圖像轉文字生成是一種將視覺資訊轉換為自然語言描述的技術，使電腦能夠理解並用文字表達圖片內容。

逆向設計是一種從目標性能出發，利用機器學習或最佳化演算法推導出滿足該性能之材料結構或系統參數的方法。

物聯網是將實體裝置透過網際網路相互連接，使其能收集並傳輸資料的技術架構，為智慧化應用提供資料基礎。

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。

基於結構化知識庫回答使用者問題的系統，能精準檢索並進行多跳邏輯推理。

土地覆蓋分類是將遙感影像像素歸類為不同地物類型的過程。

在AI中，「語言」專指機器對人類自然語言的理解與生成能力，是實現人機順暢溝通與通用人工智慧的關鍵技術橋樑。

學習是AI系統從數據中自動提取模式、規律與特徵，藉以提升特定任務效能的核心過程。

LLMs 是大型語言模型群的統稱，代表當今具備強大自然語言理解與生成能力的各類基礎模型集合。

局部異常因子是一種透過比較資料點與其鄰近樣本的局部密度差異，藉此找出潛在異常值的無監督機器學習演算法。

邏輯形式生成是將自然語言轉換為結構化、機器可讀且無歧義表達式的過程，為語意分析的核心。

指時序資料裡跨度極大的長程關聯性，或資料集中呈現數量極少但種類繁多的極端不平衡長尾樣本分佈現象。

讓電腦系統具備閱讀人類語言文本並回答相關問題能力的自然語言處理技術。

從衛星、航空或無人機影像中提取地理資訊，自動或半自動生成地圖。

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。

成員推論是一種隱私攻擊技術，旨在判斷特定資料樣本是否曾被用於訓練特定的機器學習模型。

透過機器學習演算法在大量數據中學習規律與特徵後，所產生可用於預測、分類或生成的數學結構與參數集合。

邊緣端模型壓縮是縮減神經網路體積與運算量的技術，使人工智慧模型能在資源受限的邊緣裝置上順暢執行。

模型竊取是一種針對機器學習模型的網路安全攻擊手法。攻擊者透過大量且有系統地向目標模型的應用程式介面發送查詢，並記錄其回傳的預測結果，藉此訓練出一個功能與原始目標高度相似的替代模型。

分子動力學預測結合人工智慧與物理模型，以計算模擬原子與分子系統的運動軌跡，大幅加速新藥開發與材料發現。

運用生成式人工智慧模型，探索廣大化學空間並精準設計出具有特定期望性質之全新分子結構的前沿技術。

分子圖將化學分子抽象為圖形，以節點代表原子、邊緣代表化學鍵，是機器學習處理分子結構的核心格式。

Multi 泛指人工智慧中結合多種資料類型、任務或智能體的技術，能大幅提升系統處理複雜現實問題的靈活性。

自然語言推論是判斷前提句子是否能邏輯推導出假設句子的技術，協助機器理解語言的深層語意關係。

神經形態運算是一種模擬生物大腦結構的硬體架構，旨在以極低的功耗執行複雜的機器學習與人工智慧運算任務。

節點嵌入是一種將圖形結構中的節點轉換為低維度連續向量的技術，目的是保留節點在原圖中的網絡拓樸與特徵資訊，以便於後續進行各類機器學習任務。

新穎性偵測是一種機器學習技術，旨在識別訓練資料中從未出現過的全新模式或資料點，通常用於確保系統在面對未知情況時的穩定性。

利用AI技術在衛星影像中識別並定位特定物件，如建築、車輛、船隻等。

裝置端學習是一種直接在智慧型手機等終端設備上進行模型訓練與推論的技術，能降低延遲並提升資料隱私安全性。

單類別支持向量機為非監督式異常偵測演算法，利用正常樣本建立高維邊界，以分離出落於邊界之外的異常資料。

分佈外指測試資料的特徵分佈與訓練集不一致的現象，對 AI 模型的泛化能力構成重大挑戰。

選項框架是層次化強化學習中的數學模型，透過將基礎動作抽象為高階宏觀動作，幫助智能體在複雜環境中進行長時間跨度的規劃與決策。

結合物理定律與神經網路的機器學習模型，用於求解偏微分方程，無需大量標籤數據。

機率式預測是一種時間序列預測方法，它不僅提供單一的點預測，還提供未來值的完整機率分佈或置信區間，以量化預測的不確定性。

屬性預測是指利用機器學習模型，根據物件的特徵或結構資料，預測其物理、化學或行為特性的技術。

蛋白質交互作用網路是描述細胞內蛋白質之間物理與功能連結的圖結構，是理解生命活動與疾病機制的關鍵。

利用人工智慧技術，從蛋白質胺基酸序列推斷其三維結構，對於理解生物功能與藥物開發至關重要。

指兩個或多個蛋白質分子之間因物理接觸而產生的結合，為細胞功能的基礎。

量子化學預測利用機器學習模型預測分子的電子性質與化學反應，有效加速新藥開發與材料科學研究的進程。

結合量子計算與機器學習的跨領域技術，利用量子力學原理加速數據處理與模式識別過程。

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。

Real指真實世界資料或物理環境，作為生成式AI判別真偽的基準，或強化學習訓練後最終部署落地的目標場景。

利用圖資料結構模擬使用者與物品間的複雜互動關聯，藉由捕捉高階網路拓樸特徵以提升推薦精準度與多樣性。

遙感技術是從遠處獲取地球表面資訊的科學與藝術，不直接接觸目標。

從大規模資料庫中快速且精準地找出與使用者查詢高度相關的資訊或文件的核心技術。

結合強化學習與電腦視覺技術，讓代理程式透過與環境互動及獲得獎勵，學習解決動態且需序列決策的視覺任務。

將強化學習技術應用於自然語言處理任務中，透過獎勵機制優化文本生成的序列決策過程。

利用計算方法預測RNA分子單鏈內鹼基配對形成的二級結構，對於理解RNA功能至關重要。

處理合成孔徑雷達影像，提取地物資訊，應用於環境監測、災害評估等領域。

規模指AI系統中模型參數、訓練資料與運算資源的量級。擴展規模可顯著提升效能，是推動大型語言模型突破的關鍵因素。

將圖像轉換為結構化圖形的電腦視覺技術。節點代表物件，邊緣表示物件間的關係，賦予機器深度的場景理解力。

AI驅動科學發現指利用人工智慧技術加速科學研究流程，涵蓋假設生成、實驗設計、資料分析與結果驗證，大幅提升各學科創新效率與發現速度。

識別時間序列資料中重複出現的週期性模式，如每日、每週或每年循環。

AI中的「自」機制涵蓋自監督學習、自我注意力與自我對弈，強調模型利用自身資訊或內部關聯進行學習。

語意解析是將自然語言文本轉換為機器可讀的邏輯形式或結構化表示的方法，使電腦能精確理解人類意圖。

指將感測器收集的原始訊號，透過濾波、校正與特徵提取，轉化為AI模型可用的結構化數據。

感測器融合是整合多個異質感測器資料的技術，旨在消除單一硬體盲區，提供更精確且可靠的環境感知能力。

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。

模擬加速是一種結合人工智慧與計算科學的技術，用於在保持合理精確度的前提下，大幅縮短複雜系統模擬所需的時間。

社群網路分析是利用圖論與網路理論探討實體間關係特徵的方法，常被用於發掘意見領袖與偵測資訊流動路徑。

脈衝神經網路屬於第三代人工神經網路，模仿生物大腦透過離散的脈衝訊號進行資訊傳遞，具備極低的功耗與高時間解析度優勢。

利害關係人參與是指在人工智慧開發過程中，主動納入受影響群體的意見，以確保系統符合社會價值。

繼任特徵是強化學習中的一種狀態表徵方法，用於解耦環境動態與獎勵函數，提升多任務學習效率。

時間抽象化將一連串底層動作封裝為高階技能，使強化學習模型能在更長的時間尺度上決策與規劃。

透過輸入自然語言描述，利用深度學習模型自動合成出符合語意內容與風格之圖像的多模態技術。

文本蘊含是判斷一段前提文本是否能邏輯推導出另一段假設文本的自然語言處理任務，廣泛應用於問答系統與事實查核。

指在AI系統開發與運作中，適當揭露資料來源、模型設計與決策邏輯，讓利害關係人能理解並評估系統行為。

將時間序列資料拆解為趨勢、季節性與殘差成分，以揭示其潛在模式。

非監督式異常偵測技術無需標註資料，能自動學習數據的常態模式，有效辨識出偏離預期特徵的罕見異常事件。

結合電腦視覺與自然語言處理的跨學科領域，使人工智慧系統能夠同時理解、對齊並處理影像與文字資訊。

視覺關係檢測是一種電腦視覺技術，專注於識別影像中多個物件以及它們彼此間的空間、動作或語意互動關聯。

視覺敘事指利用連續圖像或影片傳達故事的技術。在多模態AI中，模型能將文本轉化為具連貫情節的視覺序列。