یادگیری منظم با تعداد نمونه کم
یادگیری منظم با تعداد نمونه کم، خطوط لوله یادگیری استاندارد با تعداد نمونه کم را با مکانیزمهای تنظیم صریح — مانند کاهش وزن، حذف اتصال، افزایش داده، هموارسازی برچسب، یا محدودیتهای چندگانه — برای کاهش بیشبرازش به مجموعههای پشتیبانی کوچک که هر اپیزود را تعریف میکنند، تکمیل میکند. این امر مدلهای قابل تعمیمتر را زمانی تولید میکند که تنها یک تا سی مثال برچسبدار در هر کلاس در دسترس باشد.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/fa/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.
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری انتقالی منظمشدهیادگیری ماشین↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشده با دادههای کم (Semi-supervised Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →