M

June 03, 2023

本文旨在按字母顺序对团队研究过程中涉及的术语进行分类解释，为对该领域感兴趣的读者提供一份全面的术语表。

mAP(mean average precision)

++Need to Fill++

Markov Chain

马尔可夫性质（Markov property）指的是离散时间随机过程（discrete-time stochastic process）。一个状态（state）的概率只取决于它的前一个状态，这是关键点。换句话说，从一个状态到另一个状态的转移不需要考虑长时间的状态转移历史，而是可以直接根据前一个状态的转移进行估计。

Maximum A Posterior(MAP)

在一个班级里，假设有10个男生和5个女生。现在我们可以考虑两种情况：一是男生中身高超过170的学生的概率，二是身高超过170的学生中是男生的概率。如果我们知道其中一种情况，那么对于相反的情况，我们可以近似地推断出来。在这个例子中，假设我们已经知道了男生中身高超过170的学生的概率P(身高>170|性别=男)，那么这就是我们想要知道的后验概率。在这里，已知的男女比例是先验概率，已知的信息是似然概率，而我们想要知道的是后验概率。 ++Need to Fill++

Maximum Entropy Model(MEM)

在自然语言处理领域，Multinomial Logistic Regression被称为最大熵模型（Maximum Entropy Model）。最大熵模型的核心是特征向量。由于可以积极地将研究人员的语言学先验知识纳入模型中，因此相对于只能在初始值设置阶段进行干预的隐马尔可夫模型等，最大熵模型具有优势。（当然，由于需要研究人员手动指定特征，因此也被认为是最大的弱点）。然而，最大熵模型的缺点是它不像隐马尔可夫模型那样是序列分类器。它只能对单个观测值进行预测，而不是序列。

Maximum Entropy Markov Model(MEMM)

最大熵隐马尔可夫模型（Maximum Entropy Markov Model，简称MEMM）是将最大熵模型（Maximum Entropy Model）与隐马尔可夫模型（Hidden Markov Model）相结合的一种模型。 MEMM利用最大熵模型的灵活特征利用能力，实现了序列分类的能力。它假设隐藏状态遵循马尔可夫链，但在序列预测中利用了首字母、分词等多种特征的方式。

Maximum Likelihood Estimation(MLE)

寻找使得似然函数（Likelihood）最大化的参数的问题。 ++Need to Fill++

Mean Squared Error(MSE)

均方误差（Mean Squared Error，简称MSE）是一种常见的代价函数之一。它通过将模型的预测值与实际目标值之间的差值平方并求和，然后取平均值来定义。它被用作衡量模型性能的指标。换句话说，MSE越小，模型就越好。

M S E=\frac{1}{n} \sum_{i=1}^n\left(\widehat{Y}_i-Y_i\right)^2

Median Filter

中值滤波器（Median Filter）主要用于从图像或信号中去除噪声，通常在图像处理的预处理阶段使用。例如，在执行边缘检测之前，可以使用中值滤波器来去除图像中的噪声。特别是对于去除Salt&Pepper噪声效果出色，并且边缘模糊较少，因此非常有用。例如，当滤波器尺寸为3x3时，它将对相邻的9个像素进行排序，并取其中位数作为输出值。

Meta Learning

++Need to Fill++

Metric

度量（Metric）指的是衡量标准或指标，用于表示通过学习实现目标的程度（即需要进行优化的目标）或本身具有有意义的数值。例如，距离度量用于表示两个点之间的距离，常见的距离度量包括欧氏距离、马哈拉诺比斯距离、曼哈顿距离等。即使是相同的两个点，根据使用的度量方式不同，其距离的表示也会有所差异。同样，根据使用的度量方式不同，模型的性能也会以不同的方式表示。

Metric Learning

在表示两点之间的距离时，根据情况可以应用不同的距离度量，如欧氏距离、马哈拉诺比斯距离等。然而，根据所使用的度量方式，可能会对模型的性能产生影响，因为这些度量方式本质上只能表示两个点之间的关系，而不适用于表示实际数据之间的关系。度量学习（Metric Learning）的出发点在于重新定义这些距离度量。在向量空间中，通过学习使得语义上相似的点聚集在一起，而不相似的点则远离，从而调整度量方式。通过这种方式，无论数据的结构如何，都可以通过特征之间的关系推导出适合情况的度量方式。

Mini-batch

在进行更新（Update）时，小批量（mini-batch）的方法是将整个数据集分成小块逐步使用的概念，而不是一次性使用整个数据集。然而，小批量集合的选择应尽可能保证其中的数据之间的相关性较小，以确保其能够代表整个数据集。换句话说，如果使用了偏向于整个数据的某个部分的数据，则无法保证代表性，因此应选择分布均匀的数据。

MNIST

学习机器学习的人接触到的第一个数据集。它是机器学习的 “Hello World”。它由 60,000 个训练数据和 10,000 个测试数据组成，包含 28×28 幅手写图像，数字范围在 0 到 9 之间。可从 http://yann.lecun.com/exdb/mnist/ 下载。

Model-agnostic

++Need to Fill++

Momentum

动量（Momentum）是指在通过梯度下降（Gradient Descent）寻找最优解时，给参数向量（Parameter Vector）的速度引入一种惯性的方式。这个概念起源于从物理学的角度来看待优化问题（Optimization Problem）。在优化过程中，当参数向量被更新时，可以将其类比为在山坡上滚动物体的过程。

势能（Potential Energy，U=mgh）= 损失函数（Loss Function）
将物体放在山坡上而不给予速度 = 参数的初始值（Initial Value）设置
作用在物体上的力与势能的梯度（Gradient）大小相同 = 作用在参数向量上的力与损失函数的梯度大小相同。从物理角度来看，动量更新仅直接影响速度，并且速度影响位置值。使用动量更新时，参数向量除了在更新方向上，还会记住之前的移动方式，并带有该方向上的惯性进行移动。

Multi-Scale image

我们通常会用特定区域的数值来描述物体。例如，树枝的长度可以用厘米到米的单位来讨论，而不需要使用纳米或千米的单位。相反，这更接近于构成叶片的分子，以及树木生长的森林单位。换句话说，数值可以是描述物体的多种方式。这个概念在制作地图时经常在比例尺的概念中使用。当设计从现实世界中提取信息并自动进行分析的方法时，多尺度表示是必要的。