Bayesiansk fåskottsinlärning
Bayesiansk fåskottsinlärning kombinerar Bayesiansk inferens med metainlärning för att göra det möjligt för en modell att generalisera från så få som ett till fem märkta exempel per klass. Genom att behandla uppgiftsspecifika parametrar som slumpvariabler och lära sig en informativ apriorifördelning över många träningsuppgifter, producerar metoden kalibrerade osäkerhetsuppskattningar tillsammans med prediktioner – en nyckelfördel jämfört med deterministiska fåskottsinlärningsmetoder.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019). link ↗
- Finn, C., Xu, K. & Levine, S. (2018). Probabilistic Model-Agnostic Meta-Learning. Advances in Neural Information Processing Systems (NeurIPS 2018), 31. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/sv/machine-learning/bayesian-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.
- Bayesiansk överföringsinlärningMaskininlärning↔ compare
- Few-shot LearningMaskininlärning↔ compare
- Gaussisk processMaskininlärning↔ compare
- Semi-övervakad Fåskotts-inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →