Регуляризирано учене с малко примери (Regularized Few-Shot Learning)
Регуляризираното учене с малко примери (regularized few-shot learning) допълва стандартните подходи за учене с малко примери с изрични механизми за регуляризация — като L2 регуляризация на теглата (weight decay), дропаут (dropout), аугментация на данни (data augmentation), изглаждане на етикети (label smoothing) или ограничения на многообразието (manifold constraints) — за да намали пренапасването към малките поддържащи множества (support sets), които дефинират всеки епизод. Това води до по-обобщаващи модели, когато са налични само от един до тридесет етикетирани примера на клас.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Chen, W., Liu, Y., Kira, Z., Wang, Y. F., & Huang, J. (2019). A Closer Look at Few-Shot Classification. International Conference on Learning Representations (ICLR). link ↗
- Tian, Y., Wang, Y., Krishnan, D., Tenenbaum, J. B., & Isola, P. (2020). Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? European Conference on Computer Vision (ECCV). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-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.
- Обучение с малко примериМашинно обучение↔ compare
- Регуляризирано трансферно обучениеМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучение с малко примери (Semi-supervised Few-shot Learning)Машинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →