Μάθηση Λίγων Δειγμάτων με Αυτο-εποπτεία
Η Μάθηση Λίγων Δειγμάτων με Αυτο-εποπτεία (SSL-FSL) συνδυάζει προ-εκπαίδευση με αυτο-εποπτεία σε μεγάλα μη επισημασμένα σώματα κειμένων με μετα-μάθηση λίγων δειγμάτων, ώστε ένα μοντέλο να μπορεί να αναγνωρίσει νέες κατηγορίες από μόνο λίγα επισημασμένα παραδείγματα. Μαθαίνοντας πλούσιες, μεταβιβάσιμες αναπαραστάσεις χωρίς δαπανηρή επισήμανση, η SSL-FSL αντιμετωπίζει το θεμελιώδες σημείο συμφόρησης των επιβλεπόμενων μεθόδων λίγων δειγμάτων: την ανάγκη για επισημασμένα δεδομένα υποστήριξης σε μεγάλη κλίμακα.
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
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/el/machine-learning/self-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.
- Δίκτυο Σιαμαίου (Siamese Network)Βαθιά Μάθηση↔ compare
- Εκμάθηση μεταφοράςΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →