Polosupervizované učenie s malým počtom príkladov
Polosupervizované učenie s malým počtom príkladov (SS-FSL) trénuje modely na klasifikáciu nových tried len z hŕstky označených príkladov na triedu, pričom súčasne využíva súbor neoznačených údajov na obohatenie reprezentácií tried. Kombináciou meta-učiacich sa epizód s mäkkým priradením pseudo-označení pre neoznačené vzorky dosahuje výrazne vyššiu presnosť ako čisto supervizované metódy s malým počtom príkladov, ak sú k dispozícii rozsiahle neoznačené údaje.
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
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/sk/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.
- Few-shot LearningStrojové učenie↔ compare
- SamoučenieStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →