Regulariserad fåskjutsinlärning
Regulariserad fåskjutsinlärning utökar standardpipelines för fåskjutsinlärning med explicita regulariseringsmekanismer — såsom viktnedbrytning, dropout, dataaugmentering, labelslätning eller manifoldbegränsningar — för att minska överanpassning till de små stödmängder som definierar varje episod. Detta ger mer generaliserbara modeller när endast ett till trettiotal märkta exempel per klass är tillgängliga.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/sv/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 LearningMaskininlärning↔ compare
- Regulariserad överföringsinlärningMaskininlärning↔ compare
- Självövervakad inlärningMaskininlärning↔ compare
- Semi-övervakad Fåskotts-inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →