Regularizovano učenje sa malo primera (Regularized Few-Shot Learning)
Regularizovano učenje sa malo primera proširuje standardne tokove učenja sa malo primera eksplicitnim mehanizmima regularizacije – kao što su opadanje težina, dropout, augmentacija podataka, izglađivanje oznaka ili ograničenja na mnogostrukosti – kako bi se smanjilo prekomerno prilagođavanje (overfitting) na sićušne skupove podrške koji definišu svaku epizodu. Ovo proizvodi modele koji se bolje generalizuju kada je dostupno samo jedan do trideset označenih primera po klasi.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/sr/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.
- Učenje sa malo primera (Few-shot Learning)Mašinsko učenje↔ compare
- Регуларизовано трансферно учењеMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Polu-nadgledano učenje sa malo primera (Semi-supervised Few-shot Learning)Mašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →