التعلم شبه المُشرف بالقليل من الأمثلة (Semi-supervised Few-shot Learning)
يدرب التعلم شبه المُشرف بالقليل من الأمثلة (SS-FSL) النماذج على تصنيف فئات جديدة من عدد قليل فقط من الأمثلة المُعنونة لكل فئة، مع الاستفادة في الوقت نفسه من مجموعة بيانات غير مُعنونة لإثراء تمثيلات الفئات. من خلال الجمع بين حلقات التعلم التلوي (meta-learning episodes) وتعيين التسميات الزائفة الناعمة (soft pseudo-label assignment) للعينات غير المُعنونة، فإنه يحقق دقة أعلى بشكل ملحوظ من الطرق الإشرافية البحتة بالقليل من الأمثلة عندما تتوفر بيانات غير مُعنونة وفيرة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/ar/machine-learning/semi-supervised-few-shot-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تعلم العينات القليلةتعلم الآلة↔ compare
- التعلم ذاتي الإشرافتعلم الآلة↔ compare
- التعلم شبه المُشرفتعلم الآلة↔ compare
- التعلم التحويليتعلم الآلة↔ compare