Полусупервизорное обучение с малым количеством примеров
Полусупервизорное обучение с малым количеством примеров (SS-FSL) обучает модели классифицировать новые классы, используя лишь несколько размеченных примеров для каждого класса, и одновременно задействует пул неразмеченных данных для обогащения представлений классов. Комбинируя эпизоды метаобучения с мягким присвоением псевдометок для неразмеченных образцов, этот подход достигает заметно более высокой точности, чем чисто супервизорные методы обучения с малым количеством примеров, при наличии достаточного объема неразмеченных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/ru/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.
- Обучение на малом числе примеров (Few-shot Learning)Машинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →