नियमितीकृत अल्प-शिक्षण (Regularized Few-Shot Learning)
नियमितीकृत अल्प-शिक्षण मानक अल्प-शिक्षण पाइपलाइनों को स्पष्ट नियमितीकरण तंत्र — जैसे भार क्षय (weight decay), ड्रॉपआउट, डेटा वृद्धि (data augmentation), लेबल स्मूथिंग (label smoothing), या मैनिफोल्ड बाधाओं (manifold constraints) — के साथ संवर्धित करता है ताकि प्रत्येक एपिसोड को परिभाषित करने वाले छोटे समर्थन सेटों (tiny support sets) पर अति-अनुकूलन (overfitting) को कम किया जा सके। यह तब अधिक सामान्यीकरण योग्य मॉडल उत्पन्न करता है जब प्रति वर्ग केवल एक से तीस लेबल वाले उदाहरण उपलब्ध होते हैं।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/hi/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.
- फ्यू-शॉट लर्निंगमशीन अधिगम↔ compare
- नियमितीकृत स्थानांतरण अधिगममशीन अधिगम↔ compare
- स्व-पर्यवेक्षित शिक्षणमशीन अधिगम↔ compare
- अर्ध-पर्यवेक्षित अल्प-उदाहरण अधिगममशीन अधिगम↔ compare
- ट्रांसफर लर्निंगमशीन अधिगम↔ compare