یادگیری چند نمونهای (Few-shot Learning)
یادگیری چند نمونهای پارادایمی در یادگیری ماشین است که مدلها را قادر میسازد تا کلاسهای جدید یا وظایف جدید را تنها با تعداد انگشتشماری مثال برچسبدار - معمولاً بین یک تا پنج - با بهرهگیری از دانش قبلی کسبشده از یک توزیع آموزشی بزرگ و مرتبط، تشخیص دهند. این روش بهویژه در حوزههایی که برچسبگذاری پرهزینه، کمیاب یا از نظر ساختاری محدود است، کاربرد دارد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
منابع
- Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/fa/machine-learning/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 متریکیادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →