เปรียบเทียบวิธี

	การเรียนรู้แบบ Few-Shot แบบ Regularized	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016-2020	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Multiple (Chen et al., Tian et al., Snell et al., and others)	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Meta-learning framework with explicit regularization	Learning paradigm
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	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	5	3
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.	Transfer learning is a machine learning paradigm in which knowledge gained from training a model on a source task or domain is reused to improve learning on a different but related target task or domain. It is especially powerful when labeled data for the target task is scarce, and it underlies most modern deep learning applications in computer vision, natural language processing, and beyond.