การเรียนรู้แบบ Few-Shot แบบ Regularized
การเรียนรู้แบบ Few-Shot แบบ Regularized เป็นการเพิ่มกลไก Regularization ที่ชัดเจน เช่น Weight Decay, Dropout, Data Augmentation, Label Smoothing หรือ Manifold Constraints เข้าไปในกระบวนการเรียนรู้แบบ Few-Shot มาตรฐาน เพื่อลดการ Overfitting กับชุดข้อมูลสนับสนุนขนาดเล็กที่กำหนดแต่ละ Episode ซึ่งจะทำให้ได้โมเดลที่สามารถ Generalize ได้ดีขึ้น เมื่อมีตัวอย่างที่มีป้ายกำกับเพียง 1 ถึง 30 ตัวอย่างต่อคลาสเท่านั้น
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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). link ↗
- Tian, Y., Wang, Y., Krishnan, D., Tenenbaum, J. B., & Isola, P. (2020). Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? European Conference on Computer Vision (ECCV). link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/th/machine-learning/regularized-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.
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนแบบปกติ (Regularized Transfer Learning)การเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลด้วยตัวอย่างน้อย (Semi-supervised Few-shot Learning)การเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare