เปรียบเทียบวิธี

	การเรียนรู้แบบ Few-Shot แบบ Regularized	การเรียนรู้แบบถ่ายโอนแบบปกติ (Regularized Transfer Learning)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016-2020	2000s–2010s
ผู้ริเริ่ม	Multiple (Chen et al., Tian et al., Snell et al., and others)	Pan, S. J. & Yang, Q. (survey); regularization variants by multiple authors
ประเภท	Meta-learning framework with explicit regularization	Regularized supervised/semi-supervised learning framework
แหล่งต้นตำรับ	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).	Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	FSL with regularization, regularized meta-learning, few-shot learning with regularization, regularized episodic learning	regularized domain adaptation, transfer learning with regularization, penalized transfer learning, regularized fine-tuning
ที่เกี่ยวข้อง	5	6
สรุป	Regularized few-shot learning augments standard few-shot learning pipelines with explicit regularization mechanisms — such as weight decay, dropout, data augmentation, label smoothing, or manifold constraints — to reduce overfitting to the tiny support sets that define each episode. This produces more generalizable models when only one to thirty labeled examples per class are available.	Regularized Transfer Learning applies explicit penalty terms to a transfer learning pipeline to control how much a model shifts away from source-domain knowledge when adapting to a new target domain. The regularizer discourages negative transfer — the harmful carry-over of irrelevant source patterns — while preserving beneficial shared representations and preventing overfitting when target-domain labels are scarce.