Regulert fåskudds læring
Regulert fåskudds læring utvider standard fåskudds læringspipelines med eksplisitte regulariseringsmekanismer – som vekttap, dropout, dataaugmentering, labelsmoothing eller manifoldbegrensninger – for å redusere overtilpasning til de små støttesettene som definerer hver episode. Dette produserer mer generaliserbare modeller når bare ett til tretti merkede eksempler per klasse er tilgjengelige.
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
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/no/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.
- Få-skudds læringMaskinlæring↔ compare
- Regulert transfer learningMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semi-supervised Few-shot LearningMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →