Machine learningMachine learning
Few-shot Learning
Few-shot Learning（少数ショット学習）は、大規模で関連性の高い訓練分布から獲得した事前知識を活用し、通常1つから5つ程度の少数のラベル付きサンプルから新しいクラスを認識したり新しいタスクを解決したりするようにモデルを訓練する機械学習のパラダイムです。これは、ラベル付けが高価であったり、希少であったり、構造的に制限されているドメインで特に重要です。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
出典
- Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/ja/machine-learning/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.
Compare side by side →