Pembelajaran Beberapa-Shot Teregulasi
Pembelajaran beberapa-shot teregulasi menambah saluran pembelajaran beberapa-shot standard dengan mekanisme regularisasi eksplisit — seperti susutan bobot, dropout, augmentasi data, pelicinan label, atau kekangan manifold — untuk mengurangkan pemadanan lampau kepada set sokongan kecil yang mentakrifkan setiap episod. Ini menghasilkan model yang lebih boleh digeneralisasikan apabila hanya satu hingga tiga puluh contoh berlabel bagi setiap kelas tersedia.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran Pemindahan TerperaturanPembelajaran Mesin↔ compare
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
- Semi-supervised Few-shot LearningPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →