Beijesiskā mazskaitlīgo piemēru apguve
Beijesiskā mazskaitlīgo piemēru apguve apvieno Beijesa inferenci ar meta-apguvi, lai ļautu modelim vispārināt no tik maz kā viena līdz pieciem iezīmētiem piemēriem katrai klasei. Attiecinot uzdevumspecifiskos parametrus kā nejaušus mainīgos un apgūstot informatīvu prioru daudzos apmācības uzdevumos, metode nodrošina kalibrētus nenoteiktības novērtējumus līdzās prognozēm — galvenā priekšrocība salīdzinājumā ar deterministiskajiem mazskaitlīgo piemēru apguves risinājumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/lv/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.
- Bayesisk pārsūtīšanas apguveMašīnmācīšanās↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Daļēji uzraudzīta maz-paraugu mācīšanāsMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →