การเรียนรู้แบบน้อยตัวอย่างแบบเบย์ (Bayesian Few-Shot Learning)
การเรียนรู้แบบน้อยตัวอย่างแบบเบย์เป็นการผสมผสานการอนุมานแบบเบย์ (Bayesian inference) เข้ากับการเรียนรู้แบบอภิฐาน (meta-learning) เพื่อให้แบบจำลองสามารถสรุปผลจากตัวอย่างที่มีป้ายกำกับเพียงหนึ่งถึงห้าตัวอย่างต่อคลาส โดยการปฏิบัติต่อพารามิเตอร์เฉพาะของงาน (task-specific parameters) ในฐานะตัวแปรสุ่ม และเรียนรู้การแจกแจงก่อน (prior) ที่ให้ข้อมูลจากงานฝึกอบรมจำนวนมาก วิธีการนี้จะให้การประมาณค่าความไม่แน่นอนที่ปรับเทียบแล้ว (calibrated uncertainty estimates) ควบคู่ไปกับการทำนาย ซึ่งเป็นข้อได้เปรียบที่สำคัญเหนือกว่าผู้เรียนแบบน้อยตัวอย่างแบบกำหนด (deterministic few-shot learners)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019). link ↗
- Finn, C., Xu, K. & Levine, S. (2018). Probabilistic Model-Agnostic Meta-Learning. Advances in Neural Information Processing Systems (NeurIPS 2018), 31. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/th/machine-learning/bayesian-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.
- Bayesian Transfer Learningการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- กระบวนการเกาส์เซียนการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลด้วยตัวอย่างน้อย (Semi-supervised Few-shot Learning)การเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare