Bayesiläinen vähäesimerkkioppiminen
Bayesiläinen vähäesimerkkioppiminen yhdistää Bayesiläisen päättelyn ja metaoppimisen, jotta malli voi yleistää vain yhdestä viiteen merkittyyn esimerkkiin luokkaa kohden. Käsittelemällä tehtäväkohtaisia parametreja satunnaismuuttujina ja oppimalla informatiivisen priorin monien harjoitustehtävien yli, menetelmä tuottaa kalibroituja epävarmuusarvioita ennusteiden rinnalla – mikä on merkittävä etu deterministisiin vähäesimerkkioppijoihin verrattuna.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen siirto-oppiminenKoneoppiminen↔ compare
- Few-shot LearningKoneoppiminen↔ compare
- Gaussinen prosessiKoneoppiminen↔ compare
- Puoliohjautuva vähäesimerkin oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →