Învățare cu puține exemple regularizată
Învățarea cu puține exemple regularizată extinde pipeline-urile standard de învățare cu puține exemple prin mecanisme explicite de regularizare — precum decăderea ponderilor, dropout, augmentarea datelor, netezirea etichetelor sau constrângeri de varietate — pentru a reduce supra-ajustarea la seturile de suport minuscule care definesc fiecare episod. Aceasta produce modele mai generalizabile atunci când sunt disponibile doar unul până la treizeci de exemple etichetate per clasă.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/ro/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.
- Învățare cu puține exempleÎnvățare automată↔ compare
- Învățare prin transfer regularizatăÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Învățare semi-supervizată cu puține exemple (Semi-supervised Few-shot Learning)Învățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →