Polu-nadgledano učenje sa malo primera (Semi-supervised Few-shot Learning)
Polu-nadgledano učenje sa malo primera (SS-FSL) obučava modele za klasifikaciju novih klasa na osnovu samo nekolicine označenih primera po klasi, istovremeno koristeći skup neoznačenih podataka za obogaćivanje reprezentacija klasa. Kombinovanjem epizoda meta-učenja sa dodelom mekih pseudo-oznaka za neoznačene uzorke, postiže znatno veću tačnost od isključivo nadgledanih metoda sa malo primera kada je dostupan obiman neoznačen skup podataka.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/sr/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.
- Učenje sa malo primera (Few-shot Learning)Mašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →