Regularizált kevés-képes tanulás
A regularizált kevés-képes tanulás a standard kevés-képes tanulási folyamatokat explicit regularizációs mechanizmusokkal – mint például súlycsökkenés (weight decay), lemorzsolódás (dropout), adatok bővítése (data augmentation), címkesimítás (label smoothing) vagy sokaság-korlátok (manifold constraints) – egészíti ki, hogy csökkentse a túltanulást az egyes epizódokat meghatározó apró támogatási halmazokon. Ez általánosíthatóbb modelleket eredményez, ha osztályonként csak egy-harminc címkézett példa áll rendelkezésre.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/hu/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.
- Few-shot LearningGépi tanulás↔ compare
- Regularizált transzfer tanulásGépi tanulás↔ compare
- Önfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt kevésmintás tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →