למידת מעט דוגמאות בפיקוח עצמי
למידת מעט דוגמאות בפיקוח עצמי (SSL-FSL) משלבת אימון מקדים בפיקוח עצמי על קורפוסים גדולים ללא תיוג עם למידת-על (meta-learning) של מעט דוגמאות, כך שמודל יוכל לזהות קטגוריות חדשות ממספר קטן של דוגמאות מתויגות בלבד. על ידי למידת ייצוגים עשירים וניתנים להעברה ללא תיוג יקר, SSL-FSL מתמודדת עם צוואר הבקבוק היסודי של שיטות פיקוח עצמי למעט דוגמאות: הצורך בנתוני תמיכה מתויגים בהיקף רחב.
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
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/he/machine-learning/self-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.
- רשת סיאמיתלמידה עמוקה↔ compare
- Transfer Learningלמידת מכונה↔ compare