监督学习，人工智能的基石 在人工智能（AI）和机器学习的广阔领域中，监督学习（Supervised Learning）是最基础、应用最广泛的方法之一，无论是图像识别、语音处理，还是金融预... 人工智能 日本人工智能展 12 2025-07-01
自监督学习，人工智能的下一波浪潮 近年来,人工智能（AI）领域取得了突破性进展，其中深度学习技术尤为引人注目，传统的监督学习依赖大量人工标注数据，成本高昂且难以扩展，在此背景下，自监督学习（Se... 人工智能 日本人工智能展 10 2025-07-01
多层感知机，深度学习的基础架构 在人工智能和机器学习的领域中，神经网络是最重要的模型之一，而多层感知机（Multilayer Perceptron, MLP）是最基础的神经网络结构之一，它不仅... 人工智能 日本人工智能展 17 2025-07-01
自编码器，深度学习中的无监督学习利器 自编码器（Autoencoder）是一种重要的深度学习模型，广泛应用于无监督学习、数据降维、特征提取和生成模型等领域，它的核心思想是通过编码和解码过程，学习输入... 人工智能 日本人工智能展 13 2025-07-01
蒸馏学习，知识传递的高效方法 在人工智能和机器学习领域，模型训练通常需要大量的计算资源和数据，随着深度学习模型的规模不断增大，如何在保持高性能的同时降低计算成本成为一个重要问题，蒸馏学习（K... 人工智能 日本人工智能展 10 2025-07-01
迁移学习，人工智能领域的知识传承与创新 在人工智能（AI）和机器学习（ML）领域，训练一个高性能的模型通常需要大量的数据和计算资源，在许多实际应用场景中，获取足够的高质量数据或进行大规模训练并不现实，... 人工智能 日本人工智能展 12 2025-07-01
元学习，让机器学会如何学习的革命性技术 在人工智能（AI）领域，传统的机器学习方法依赖于大量数据和计算资源来训练模型，使其能够执行特定任务，这种方法的局限性在于，当面对新任务时，模型往往需要重新训练，... 人工智能 日本人工智能展 8 2025-07-01
多任务学习，提升AI模型效率的关键技术 在人工智能（AI）和机器学习（ML）领域，多任务学习（Multi-Task Learning, MTL）是一种强大的技术，它允许一个模型同时学习多个相关任务，从... 人工智能 日本人工智能展 13 2025-07-01
特征提取，数据科学中的关键步骤 在当今数据驱动的世界中，从海量数据中提取有价值的信息至关重要，无论是图像识别、自然语言处理、金融分析还是生物信息学，特征提取（Feature Extractio... 人工智能 日本人工智能展 14 2025-07-01
批归一化，深度学习中的关键优化技术 在深度学习中,训练深度神经网络（DNN）时常常面临梯度消失、梯度爆炸以及训练速度缓慢等问题，为了解决这些问题，研究人员提出了多种优化技术，其中批归一化（Batc... 人工智能 日本人工智能展 18 2025-07-01
