یادگیری بیزی با دادههای کم
یادگیری بیزی با دادههای کم، استنتاج بیزی را با یادگیری فراگیر ترکیب میکند تا مدلی را قادر سازد تا از تنها یک تا پنج مثال برچسبدار در هر کلاس تعمیم دهد. با در نظر گرفتن پارامترهای خاص وظیفه به عنوان متغیرهای تصادفی و یادگیری یک توزیع پیشین آموزنده در میان وظایف آموزشی متعدد، این روش علاوه بر پیشبینیها، تخمینهای عدم قطعیت کالیبره شده را تولید میکند – یک مزیت کلیدی نسبت به یادگیرندههای قطعی با دادههای کم.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/fa/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.
- یادگیری انتقالی بیزییادگیری ماشین↔ compare
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- فرایند گوسییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشده با دادههای کم (Semi-supervised Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →