Regularizované učenie s malým počtom príkladov (Regularized Few-Shot Learning)
Regularizované učenie s malým počtom príkladov rozširuje štandardné pipeline učenia s malým počtom príkladov o explicitné regularizačné mechanizmy – ako je útlm váh (weight decay), dropout, augmentácia dát, vyhladzovanie návestí (label smoothing) alebo obmedzenia na varietách (manifold constraints) – s cieľom znížiť preučenie na malých podporných množinách, ktoré definujú každú epizódu. To vedie k lepšie zovšeobecniteľným modelom, keď je k dispozícii len jeden až tridsať označených príkladov na triedu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/sk/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.
- Few-shot LearningStrojové učenie↔ compare
- Regularizované transferové učenieStrojové učenie↔ compare
- SamoučenieStrojové učenie↔ compare
- Polosupervizované učenie s malým počtom príkladovStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →