Uczenie z niewielką liczbą przykładów i częściowym nadzorem (Semi-supervised Few-shot Learning, SS-FSL)
Uczenie z niewielką liczbą przykładów i częściowym nadzorem (SS-FSL) trenuje modele do klasyfikowania nowych klas na podstawie zaledwie kilku oznakowanych przykładów na klasę, jednocześnie wykorzystując pulę nieoznakowanych danych do wzbogacenia reprezentacji klas. Łącząc epizody uczenia meta z przypisywaniem miękkich etykiet pozornych (pseudo-labels) dla nieoznakowanych próbek, osiąga się zauważalnie wyższą dokładność niż w przypadku czysto nadzorowanych metod uczenia z niewielką liczbą przykładów, gdy dostępnych jest wiele nieoznakowanych danych.
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
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/pl/machine-learning/semi-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.
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie samo nadzorowaneUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →