เปรียบเทียบวิธี

	การรู้จำชื่อเฉพาะแบบกำกับตนเอง	การเรียนรู้แบบน้อยตัวอย่าง
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2019	2011–2017
ผู้ริเริ่ม	Devlin et al.; community-evolved from BERT-era self-supervised pretraining	Lake, B. M.; Vinyals, O.; Finn, C. et al.
ประเภท	Sequence labeling via self-supervised pretraining + fine-tuning	Meta-learning / low-data learning paradigm
แหล่งต้นตำรับ	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186.	Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29.
ชื่อเรียกอื่น	Self-supervised NER, SS-NER, label-efficient NER, pre-trained NER	FSL, low-shot learning, k-shot learning, meta-learning for few examples
ที่เกี่ยวข้อง	2	4
สรุป	Self-supervised named entity recognition (NER) combines large-scale self-supervised pretraining — such as masked language modeling — with token-level fine-tuning to identify and classify named entities in text. By learning general linguistic representations before seeing any entity labels, the model achieves strong performance even when annotated NER training data is scarce.	Few-shot learning is a machine learning paradigm that trains models to recognize new classes or solve new tasks from only a handful of labeled examples — typically one to five — by leveraging prior knowledge acquired from a large, related training distribution. It is especially relevant in domains where labeling is expensive, scarce, or structurally limited.