Bayesowskie uczenie z niewielu przykładów
Bayesowskie uczenie z niewielu przykładów łączy wnioskowanie bayesowskie z meta-uczeniem, aby umożliwić modelowi generalizację na podstawie zaledwie od jednego do pięciu oznakowanych przykładów na klasę. Traktując parametry specyficzne dla zadania jako zmienne losowe i ucząc się informacyjnego priora na wielu zadaniach treningowych, metoda generuje skalibrowane oszacowania niepewności wraz z predykcjami — kluczowa zaleta w porównaniu z deterministycznymi metodami uczenia z niewielu przykładów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/pl/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.
- Uczenie transferowe bayesowskieUczenie maszynowe↔ compare
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Semi-supervised Few-shot LearningUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →