Bayesiansk fåskuddsinnlæring
Bayesiansk fåskuddsinnlæring kombinerer Bayesiansk inferens med metainnlæring for å gjøre en modell i stand til å generalisere fra så få som ett til fem merkede eksempler per klasse. Ved å behandle oppgavespesifikke parametere som tilfeldige variabler og lære en informativ apriori-fordeling på tvers av mange trenings-oppgaver, produserer metoden kalibrerte usikkerhetsestimater sammen med prediksjoner – en viktig fordel fremfor deterministiske fåskuddsinnlæringsmodeller.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/no/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 LearningMaskinlæring↔ compare
- Få-skudds læringMaskinlæring↔ compare
- Gaussisk prosessMaskinlæring↔ compare
- Semi-supervised Few-shot LearningMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →