Mācīšanās ar maziem paraugu skaitu
Mācīšanās ar maziem paraugu skaitu ir mašīnmācīšanās paradigma, kas apmāca modeļus atpazīt jaunas klases vai risināt jaunus uzdevumus, izmantojot tikai dažus (parasti no viena līdz pieciem) iezīmētus piemērus, balstoties uz iepriekš iegūtajām zināšanām no lielas, saistītas apmācības datu kopas. Tā ir īpaši nozīmīga jomās, kur iezīmēšana ir dārga, reta vai strukturāli ierobežota.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/lv/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.
- Metriskā apguveMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →