Few-shot Learning
Few-shot learning on koneoppimisen paradigma, joka kouluttaa malleja tunnistamaan uusia luokkia tai ratkaisemaan uusia tehtäviä vain muutamasta merkitystä sisältävästä esimerkistä – tyypillisesti yhdestä viiteen – hyödyntämällä suurista, liittyvistä koulutusjakaumista hankittua ennakkotietoa. Se on erityisen relevanttia aloilla, joilla merkintä on kallista, harvinaista tai rakenteellisesti rajoitettua.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/fi/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.
- MetriikkaoppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →