Regulaarne väheste näidistega õppimine
Regulaarne väheste näidistega õppimine täiendab standardseid väheste näidistega õppimise töövooge eksplitsiitsete regularisatsioonimehhanismidega – nagu kaalude vähenemine, dropout, andmete suurendamine, siltide silumine või manuaalsed piirangud –, et vähendada üleõppimist iga episoodi jaoks väikestele tugikomplektidele. See loob paremini üldistatavad mudelid, kui iga klassi kohta on saadaval vaid üks kuni kolmkümmend märgistatud näidet.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/et/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.
- Väheste näidistega õppimineMasinõpe↔ compare
- Regulaarne ülekandeõpeMasinõpe↔ compare
- Enesest juhendav õppimineMasinõpe↔ compare
- Pooltugevdatud väheste näidistega õppimineMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →