Regularizēta mazskaitlīgu paraugu apguve
Regularizēta mazskaitlīgu paraugu apguve papildina standarta mazskaitlīgu paraugu apguves procedūras ar skaidriem regularizācijas mehānismiem — piemēram, svara samazināšanu (weight decay), izslēgšanu (dropout), datu paplašināšanu (data augmentation), uzlīmju izlīdzināšanu (label smoothing) vai kopumu ierobežojumiem (manifold constraints) — lai samazinātu pārmācīšanos (overfitting) uz mazajiem atbalsta kopumiem (support sets), kas raksturo katru epizodi. Tas rada labāk vispārināmus modeļus, ja katrai klasei ir pieejami tikai viens līdz trīsdesmit iezīmēti piemēri.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/lv/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.
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Regularizētā pārvietotā mācīšanāsMašīnmācīšanās↔ compare
- Pašuzraudzības apmācībaMašīnmācīšanās↔ compare
- Daļēji uzraudzīta maz-paraugu mācīšanāsMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →