Полу-наблюдавано обучение с малко примери (Semi-supervised Few-shot Learning)
Полу-наблюдаваното обучение с малко примери (SS-FSL) обучава модели да класифицират нови класове само от няколко маркирани примера на клас, като същевременно използва група от немаркирани данни за обогатяване на представянията на класовете. Чрез комбиниране на епизоди на мета-обучение с присвояване на меки псевдо-етикети за немаркирани образци, то постига забележимо по-висока точност от чисто наблюдаваните методи с малко примери, когато са налични изобилни немаркирани данни.
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
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/bg/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.
- Обучение с малко примериМашинно обучение↔ compare
- Самообучаващо се ученеМашинно обучение↔ compare
- Полу-наблюдавано обучениеМашинно обучение↔ compare
- Трансферно обучениеМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →