เปรียบเทียบวิธี

	การเรียนรู้แบบกึ่งกำกับตนเองแบบไม่กี่ตัวอย่าง	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Gidaris, S. et al.; Su, J.-C. et al. (concurrent seminal works)	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Hybrid learning paradigm (self-supervised pretraining + few-shot adaptation)	Learning paradigm
แหล่งต้นตำรับ	Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068.	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	SSL-FSL, self-supervised meta-learning, unsupervised few-shot learning, self-supervised prototypical learning	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	2	3
สรุป	Self-supervised Few-shot Learning (SSL-FSL) combines self-supervised pretraining on large unlabeled corpora with few-shot meta-learning so that a model can recognize new categories from only a handful of labeled examples. By learning rich, transferable representations without expensive annotation, SSL-FSL addresses the fundamental bottleneck of supervised few-shot methods: the need for labeled support data at scale.	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.