Apprentissage par peu d'exemples régularisé
L'apprentissage par peu d'exemples régularisé (regularized few-shot learning) augmente les pipelines d'apprentissage par peu d'exemples standards avec des mécanismes de régularisation explicites — tels que la décroissance de poids (weight decay), le dropout, l'augmentation de données, le lissage d'étiquettes (label smoothing) ou les contraintes de variété (manifold constraints) — afin de réduire le surapprentissage sur les minuscules ensembles de support qui définissent chaque épisode. Cela produit des modèles plus généralisables lorsque seulement un à trente exemples étiquetés par classe sont disponibles.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Apprentissage par transfert régulariséApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Semi-supervised Few-shot LearningApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →