Bayesian Few-Shot Learning
Bayesian few-shot learning combineert Bayesiaanse inferentie met meta-learning om een model in staat te stellen te generaliseren op basis van slechts één tot vijf gelabelde voorbeelden per klasse. Door taakspecifieke parameters te behandelen als willekeurige variabelen en een informatieve prior te leren over vele trainingstaken, produceert de methode gekalibreerde onzekerheidsschattingen naast voorspellingen — een belangrijk voordeel ten opzichte van deterministische few-shot learners.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/nl/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.
- Bayesian Transfer LearningMachine learning↔ compare
- Few-shot LearningMachine learning↔ compare
- Gaussiaans ProcesMachine learning↔ compare
- Semi-supervised Few-shot LearningMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →