یادگیری برخط با نمونههای کم (Online Few-shot Learning)
یادگیری برخط با نمونههای کم (Online Few-shot Learning) اصل بهروزرسانی جریانی یادگیری برخط را با هدف کارایی دادهای یادگیری با نمونههای کم ترکیب میکند و به یک مدل امکان میدهد تا بهطور پیوسته با وظایف یا کلاسهای جدید، تنها از تعداد انگشتشماری مثال برچسبگذاریشده و با ورود متوالی دادهها، سازگار شود — بدون دسترسی به مجموعه داده تاریخی کامل.
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
- Finn, C., Rajeswaran, A., Kakade, S., & Levine, S. (2019). Online Meta-Learning. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97, 1920–1930. link ↗
- Javed, K., & White, M. (2019). Meta-Learning Representations for Continual Learning. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Online Few-shot Learning (Streaming Meta-Learning from Scarce Labels). ScholarGate. https://scholargate.app/fa/machine-learning/online-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 چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری آنلاینیادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →