Regulirano učenje s malo primjera
Regulirano učenje s malo primjera (regularized few-shot learning) nadograđuje standardne postupke učenja s malo primjera eksplicitnim mehanizmima regulacije — kao što su slabljenje težina (weight decay), ispadanje (dropout), proširenje podataka (data augmentation), izglađivanje oznaka (label smoothing) ili ograničenja na raznolikosti (manifold constraints) — kako bi se smanjilo prekomjerno prilagođavanje (overfitting) na malene skupove podataka (support sets) koji definiraju svaku epizodu. Ovo proizvodi modele koji se bolje generaliziraju kada je dostupno samo jedan do trideset označenih primjera po klasi.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/hr/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.
- Učenje s malo primjeraStrojno učenje↔ compare
- Regularizirano prijenosno učenjeStrojno učenje↔ compare
- Samonadzirano učenjeStrojno učenje↔ compare
- Polu-nadgledano učenje s malo primjeraStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →