Apprendimento con pochi esempi regolarizzato
L'apprendimento con pochi esempi regolarizzato potenzia le pipeline standard di apprendimento con pochi esempi con meccanismi di regolarizzazione espliciti — come decadimento del peso, dropout, aumento dei dati, smussamento delle etichette o vincoli di varietà — per ridurre l'overfitting ai minuscoli set di supporto che definiscono ogni episodio. Ciò produce modelli più generalizzabili quando sono disponibili solo da uno a trenta esempi etichettati per classe.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/it/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 LearningApprendimento automatico↔ compare
- Apprendimento per trasferimento regolarizzatoApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento Semi-Supervisionato Few-ShotApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →