למידת-מעט-דוגמאות מרוּגֶלֶת
למידת-מעט-דוגמאות מרוּגֶלֶת מרחיבה צינורות סטנדרטיים של למידת-מעט-דוגמאות באמצעות מנגנוני רגולריזציה מפורשים — כגון דעיכת משקולות (weight decay), נשירה (dropout), הגברת נתונים (data augmentation), החלקת תוויות (label smoothing), או אילוצי מניפולציה (manifold constraints) — כדי להפחית התאמת-יתר (overfitting) לקבוצות התמיכה הזעירות המגדירות כל אפיזודה. הדבר מפיק מודלים ניתנים להכללה יותר כאשר זמינים רק דוגמאות מתויגות בודדות עד שלושים לכל מחלקה.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/he/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.
- למידת מעט דוגמאותלמידת מכונה↔ compare
- למידת העברה מרוּגֶּלֶתלמידת מכונה↔ compare
- למידה בפיקוח עצמילמידת מכונה↔ compare
- למידה מועטה-דגימות עם פיקוח-למחצהלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare