Apprentissage bayésien à peu d'exemples
L'apprentissage bayésien à peu d'exemples combine l'inférence bayésienne avec le méta-apprentissage pour permettre à un modèle de généraliser à partir d'aussi peu qu'un à cinq exemples étiquetés par classe. En traitant les paramètres spécifiques à la tâche comme des variables aléatoires et en apprenant un prior informatif sur de nombreuses tâches d'entraînement, la méthode produit des estimations d'incertitude calibrées aux côtés des prédictions — un avantage clé par rapport aux apprenants déterministes à peu d'exemples.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage par transfert bayésienApprentissage automatique↔ compare
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Semi-supervised Few-shot LearningApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →