Puoliohjautuva vähäesimerkin oppiminen
Puolivalvottu harvojen esimerkkien oppiminen (Semi-supervised Few-shot Learning, SS-FSL) kouluttaa malleja luokittelemaan uusia luokkia vain muutaman merkityn esimerkin avulla kutakin luokkaa kohden, samalla hyödyntäen merkitsemättömien tietojen joukkoa luokkaesitysten rikastuttamiseksi. Yhdistämällä metaoppimisjaksoja pehmeään valenimien määrittämiseen merkitsemättömille näytteille, se saavuttaa huomattavasti korkeamman tarkkuuden kuin puhtaasti valvotut harvojen esimerkkien menetelmät, kun runsaasti merkitsemätöntä dataa on saatavilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/fi/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.
- Few-shot LearningKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →