یادگیری نیمهنظارتشده با دادههای کم (Semi-supervised Few-shot Learning)
یادگیری نیمهنظارتشده با دادههای کم (SS-FSL) مدلها را برای طبقهبندی کلاسهای جدید از تنها تعداد انگشتشماری نمونه برچسبدار در هر کلاس آموزش میدهد، در حالی که همزمان از مجموعهای از دادههای بدون برچسب برای غنیسازی بازنمایی کلاسها بهره میبرد. با ترکیب دورههای یادگیری فراگیر (meta-learning) با تخصیص برچسب شبه نرم برای نمونههای بدون برچسب، به دقت قابل توجهی بالاتر نسبت به روشهای صرفاً نظارتشده با دادههای کم دست مییابد، زمانی که دادههای بدون برچسب فراوان 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
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/fa/machine-learning/semi-supervised-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 خودنظارتییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →