Machine learningMachine learning
למידה מועטה-דגימות עם פיקוח-למחצה
למידה מועטה-דגימות עם פיקוח-למחצה (SS-FSL) מאמנת מודלים לסווג מחלקות חדשות ממספר קטן של דוגמאות מתויגות לכל מחלקה, תוך מינוף מאגר נתונים לא מתויג להעשרת ייצוגי מחלקות. על ידי שילוב פרקי מטא-למידה עם הקצאת תוויות-דמה רכות לדגימות לא מתויגות, היא משיגה דיוק גבוה באופן ניכר משיטות מועטות-דגימות בפיקוח בלבד כאשר נתונים לא מתויגים זמינים בשפע.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/he/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.
- למידת מעט דוגמאותלמידת מכונה↔ compare
- למידה בפיקוח עצמילמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare
- Transfer Learningלמידת מכונה↔ compare