Regularyzowane uczenie z niewielką liczbą przykładów
Regularyzowane uczenie z niewielką liczbą przykładów (few-shot learning) rozszerza standardowe potoki uczenia o niewielką liczbę przykładów o jawne mechanizmy regularyzacji — takie jak zanik wag, dropout, augmentacja danych, wygładzanie etykiet czy ograniczenia rozmaitości — w celu zmniejszenia nadmiernego dopasowania do małych zbiorów wsparcia, które definiują każdy epizod. Prowadzi to do uzyskania modeli o lepszej generalizacji, gdy dostępnych jest od jednego do trzydziestu oznakowanych przykładów na klasę.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/pl/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.
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie transferowe z regularyzacjąUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Semi-supervised Few-shot LearningUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →