Daļēji uzraudzīta maz-paraugu mācīšanās
Dažādās maz-paraugu mācīšanās (SS-FSL) apmāca modeļus klasificēt jaunas klases, izmantojot tikai dažus iezīmētus piemērus katrai klasei, vienlaikus izmantojot neiezīmētu datu kopu, lai bagātinātu klašu reprezentācijas. Apvienojot meta-mācīšanās epizodes ar mīkstu pseidopatronu piešķiršanu neiezīmētiem paraugiem, tā sasniedz ievērojami augstāku precizitāti nekā tīri uzraudzītas maz-paraugu metodes, ja ir pieejami daudz neiezīmētu datu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/lv/machine-learning/semi-supervised-few-shot-learning
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ salīdzināt
- Pašuzraudzības apmācībaMašīnmācīšanās↔ salīdzināt
- Daudzpusīgā apguveMašīnmācīšanās↔ salīdzināt
- Pārneses apmācībaMašīnmācīšanās↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →