Bayesovské učení z mála příkladů
Bayesovské učení z mála příkladů kombinuje Bayesovskou inferenci s meta-učení, aby umožnilo modelu generalizovat z pouhého jednoho až pěti označených příkladů na třídu. Tím, že jsou parametry specifické pro daný úkol považovány za náhodné proměnné a je naučen informativní apriorní rozdělení napříč mnoha trénovacími úkoly, metoda produkuje kalibrované odhady nejistoty spolu s predikcemi — což je klíčová výhoda oproti deterministickým metodám učení z mála příkladů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019). link ↗
- Finn, C., Xu, K. & Levine, S. (2018). Probabilistic Model-Agnostic Meta-Learning. Advances in Neural Information Processing Systems (NeurIPS 2018), 31. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/cs/machine-learning/bayesian-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.
- Bayesovské přenosové učeníStrojové učení↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Polosupervizované učení s malým počtem příkladůStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →