永續 AI 資料庫

精確率是模型判定為正例的結果中，實際為正例的比例，計算為真正例除以真正例與偽正例總和，用來衡量誤報問題。

預訓練是在特定下游任務調整前，使用較廣泛資料學習模型表示或基礎能力的訓練階段，之後可透過微調或提示應用於新任務。

主成分分析是將資料投影到彼此正交、依變異量排序的方向以降低維度的方法，可壓縮相關特徵，但不直接學習預測目標。

機率校準是檢查或調整模型預測機率與實際發生頻率的一致性，使相近機率群組的觀察結果接近預測值，需用獨立資料評估。

提示詞是提供給生成式模型的任務指示及相關輸入，可包含問題、背景、範例與輸出要求，用來引導模型產生合適回應。

提示快取是重用重複提示前綴或相關處理結果的最佳化機制，減少重複計算；命中條件、保留期間及計費依服務實作而異。

提示工程是設計、測試與調整模型輸入的方法，透過明確任務、背景、範例與格式改善回應，並依實際結果持續驗證。

提示注入是利用不受信任內容與模型提示混合的特性，企圖讓系統偏離原有指示的攻擊，可藏在使用者輸入、文件或外部頁面中。

假名化是以假名或代碼取代個人識別資訊的處理方式，保留資料間所需關聯，同時降低直接揭露身分的機會，仍需管理對照資訊。

公開金鑰基礎設施是管理公開金鑰與憑證信任關係的技術、政策及角色體系，涵蓋憑證簽發、驗證及撤銷等活動。

發布訂閱是由發布者送出主題事件，訂閱者依訂閱條件接收的通訊模式，發布者通常不必直接知道所有接收者，適合事件分發。

查詢擴展是為原始查詢加入相關詞或替代表達以增加可匹配範圍的方法，常用於搜尋，需避免新增詞偏離使用者原本意圖。

查詢改寫是把使用者問題轉成較適合檢索的表達方式，可補足語境、修正用語或產生替代查詢，改寫結果應保留原始意圖。

機器問答是讓系統依問題找出或生成答案的任務，可從提供文本擷取答案或結合外部知識，須檢查答案是否受依據支持。

隨機森林是結合多棵以隨機樣本與特徵建立的決策樹，透過投票或平均產生結果的集成方法，用以降低單棵樹的不穩定性。

勒索軟體是以加密或限制系統與資料存取等方式要求贖金的惡意軟體，攻擊可能伴隨資料竊取，防護需結合偵測、隔離與復原。

速率限制是對指定時間內可接受的請求或工作量設定上限的機制，協助保護服務資源與公平使用，超額時可拒絕、排隊或延後。

召回率是所有實際正例中，被模型正確找出的比例，計算為真正例除以真正例與偽負例總和，用來衡量漏判程度。

接收者操作特徵曲線是在不同分類門檻下，描繪真正率與偽正率關係的曲線，常用於比較二元分類模型的辨別能力。

倒數排名融合是依文件在各結果列表的名次倒數分數，合併不同檢索排序的方法，能避免直接比較不同演算法的原始分數。

推薦系統是從候選項目中挑選對使用者較相關內容的系統，可依偏好、互動及項目特徵進行排序，需依情境評估推薦品質。

迴歸分析在機器學習中是預測連續數值目標的任務，可使用線性或非線性模型，並用適合的誤差指標檢查預測品質。

正則化是透過限制模型複雜度或加入懲罰等方式降低過度擬合的方法，使模型不只追求訓練資料的最低誤差，也考量泛化。

強化學習是讓學習主體透過與環境互動、取得獎勵回饋並調整行動策略的方法，目標是在指定任務中提高累積報酬。