Κανονικοποιημένη μάθηση λίγων δειγμάτων
Η κανονικοποιημένη μάθηση λίγων δειγμάτων (regularized few-shot learning) ενισχύει τις τυπικές διαδικασίες μάθησης λίγων δειγμάτων με ρητούς μηχανισμούς κανονικοποίησης — όπως μείωση βάρους (weight decay), απόρριψη (dropout), επαύξηση δεδομένων (data augmentation), εξομάλυνση ετικετών (label smoothing) ή περιορισμούς πολλαπλότητας (manifold constraints) — για τη μείωση της υπερπροσαρμογής (overfitting) στα μικροσκοπικά σύνολα υποστήριξης (support sets) που ορίζουν κάθε επεισόδιο. Αυτό παράγει μοντέλα με καλύτερη γενικευσιμότητα όταν είναι διαθέσιμα μόνο ένα έως τριάντα επισημασμένα παραδείγματα ανά κλάση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/el/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.
- Εκμάθηση με λίγα δείγματαΜηχανική Μάθηση↔ compare
- Ρυθμισμένη Μάθηση ΜεταφοράςΜηχανική Μάθηση↔ compare
- Αυτο-εποπτευόμενη ΜάθησηΜηχανική Μάθηση↔ compare
- Ημι-εποπτευόμενη μάθηση λίγων δειγμάτωνΜηχανική Μάθηση↔ compare
- Εκμάθηση μεταφοράςΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →