Регуляризованное обучение с малым числом примеров
Регуляризованное обучение с малым числом примеров дополняет стандартные конвейеры обучения с малым числом примеров явными механизмами регуляризации — такими как затухание весов, отсев, аугментация данных, сглаживание меток или ограничения многообразия — для уменьшения переобучения на крошечных наборах поддержки, определяющих каждый эпизод. Это позволяет получить более обобщающие модели, когда доступен всего от одного до тридцати размеченных примеров на класс.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/ru/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.
- Обучение на малом числе примеров (Few-shot Learning)Машинное обучение↔ compare
- Регуляризованное трансферное обучениеМашинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Полусупервизорное обучение с малым количеством примеровМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →