Félfelügyelt kevésmintás tanulás
A félfelügyelt kevésmintás tanulás (Semi-supervised Few-shot Learning, SS-FSL) olyan modelleket képez, amelyek új osztályokat képesek osztályozni mindössze néhány címkézett példány alapján osztályonként, miközben egy címkézetlen adathalmazt is kihasznál az osztályreprezentációk gazdagítására. A meta-tanulási epizódok és a címkézetlen minták puha pszeudocímkézési hozzárendelésének kombinálásával, jelentősen magasabb pontosságot ér el, mint a tisztán felügyelt kevésmintás módszerek, amikor bőséges címkézetlen adat 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
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/hu/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.
- Few-shot LearningGépi tanulás↔ compare
- Önfelügyelt tanulásGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →