Bayesian Few-Shot Learning
Bayesian Few-Shot Learning kombiniert bayesianische Inferenz mit Meta-Learning, um einem Modell zu ermöglichen, aus nur ein bis fünf gelabelten Beispielen pro Klasse zu generalisieren. Indem aufgabenspezifische Parameter als Zufallsvariablen behandelt und ein informativer Prior über viele Trainingsaufgaben hinweg gelernt wird, liefert die Methode kalibrierte Unsicherheitsschätzungen neben Vorhersagen – ein wesentlicher Vorteil gegenüber deterministischen Few-Shot-Learnern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/de/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.
- Bayesianisches Transfer-LernenMaschinelles Lernen↔ compare
- Few-Shot LearningMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- Semi-supervidiertes Wenig-Schuss-LernenMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →