Regularizované učení s malým počtem příkladů
Regularizované učení s malým počtem příkladů (few-shot learning) rozšiřuje standardní postupy o explicitní regularizační mechanismy — jako je útlum vah (weight decay), dropout, augmentace dat, vyhlazování popisků (label smoothing) nebo omezení na varietě (manifold constraints) — za účelem snížení přeučení na malé podpůrné množiny (support sets), které definují každou epizodu. To vede k lépe generalizovatelným modelům, pokud je k dispozici pouze jeden až třicet označených příkladů na třídu.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/cs/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.
- Učení s malým počtem příkladůStrojové učení↔ compare
- Regularized Transfer LearningStrojové učení↔ compare
- Samoučící se učeníStrojové učení↔ compare
- Polosupervizované učení s malým počtem příkladůStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →