Învățare semi-supervizată cu puține exemple (Semi-supervised Few-shot Learning)
Învățarea semi-supervizată cu puține exemple (SS-FSL) antrenează modele pentru a clasifica clase noi de la doar un pumn de exemple etichetate per clasă, în timp ce utilizează simultan un set de date neetichetate pentru a îmbogăți reprezentările claselor. Prin combinarea episoadelor de meta-învățare cu atribuirea de etichete pseudo moi pentru eșantioanele neetichetate, se obține o acuratețe notabil mai mare decât metodele pur supervizate cu puține exemple, atunci când sunt disponibile date neetichetate abundente.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/ro/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.
- Învățare cu puține exempleÎnvățare automată↔ compare
- Învățare auto-supervizatăÎnvățare automată↔ compare
- Învățare semi-supervizatăÎnvățare automată↔ compare
- Învățare prin transferÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →