Regularisoitu vähävaraisten esimerkkien oppiminen
Regularisoitu vähävaraisten esimerkkien oppiminen täydentää standardeja vähävaraisten esimerkkien oppimisputkia eksplisiittisillä regularisointimekanismeilla – kuten painon heikkenemisellä, pudotuksella, datan augmentoinnilla, selite tasoituksella tai monistoisilla rajoitteilla – vähentääkseen ylisovitusta pieniin tukijoukkoihin, jotka määrittelevät kunkin episodin. Tämä tuottaa yleistettävämpiä malleja, kun luokkaa kohden on saatavilla vain yksi tai kolmekymmentä merkittyä esimerkkiä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/fi/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.
- Few-shot LearningKoneoppiminen↔ compare
- Regularisoitu siirto-oppiminenKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjautuva vähäesimerkin oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →