Samonadzorowane uczenie z niewielką liczbą przykładów
Samonadzorowane uczenie z niewielką liczbą przykładów (SSL-FSL) łączy samonadzorowane wstępne trenowanie na dużych nieetykietowanych korpusach z meta-uczeniem z niewielką liczbą przykładów, dzięki czemu model może rozpoznawać nowe kategorie na podstawie zaledwie kilku oznakowanych przykładów. Ucząc się bogatych, przenoszalnych reprezentacji bez kosztownych adnotacji, SSL-FSL rozwiązuje fundamentalny problem ograniczający nadzorowane metody uczenia z niewielką liczbą przykładów: potrzebę skalowania oznakowanych danych wspierających.
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
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/pl/machine-learning/self-supervised-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.
- Sieci neuronowe typu SiameseUczenie głębokie↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →