Aprendizado com Poucos Exemplos Regularizado
O aprendizado com poucos exemplos regularizado (regularized few-shot learning) aprimora os pipelines padrão de aprendizado com poucos exemplos com mecanismos explícitos de regularização — como decaimento de peso, dropout, aumento de dados, suavização de rótulos ou restrições de manifold — para reduzir o sobreajuste (overfitting) aos minúsculos conjuntos de suporte que definem cada episódio. Isso produz modelos mais generalizáveis quando apenas um a trinta exemplos rotulados por classe estão disponíveis.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/pt/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.
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizado por Transferência RegularizadoAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizagem Semi-supervisionada de Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →