Bayesian Few-Shot Learning
A Bayesian kevés példás tanulás (Bayesian few-shot learning) a Bayes-féle következtetést a meta-tanulással ötvözi, lehetővé téve, hogy egy modell mindössze egy-öt címkézett példányból osztályonként képes legyen általánosítani. A feladatspecifikus paramétereket véletlen változókként kezelve és sok tanítófeladaton keresztül információgazdag prior eloszlást tanulva a módszer a determinisztikus kevéspéldás tanulókkal szembeni kulcsfontosságú előnyként kalibrált bizonytalansági becsléseket produkál a predikciók mellett.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019). link ↗
- Finn, C., Xu, K. & Levine, S. (2018). Probabilistic Model-Agnostic Meta-Learning. Advances in Neural Information Processing Systems (NeurIPS 2018), 31. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/hu/machine-learning/bayesian-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.
- Bayesian Transfer LearningGépi tanulás↔ compare
- Few-shot LearningGépi tanulás↔ compare
- Gauss-folyamatGépi tanulás↔ compare
- Félfelügyelt kevésmintás tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →