การเรียนรู้แบบกึ่งกำกับตนเองแบบไม่กี่ตัวอย่าง
การเรียนรู้แบบกึ่งกำกับตนเองแบบไม่กี่ตัวอย่าง (SSL-FSL) เป็นการผสมผสานการฝึกเบื้องต้นแบบกึ่งกำกับตนเองบนคลังข้อมูลขนาดใหญ่ที่ไม่มีป้ายกำกับเข้ากับการเรียนรู้แบบอภิมาตร (meta-learning) แบบไม่กี่ตัวอย่าง เพื่อให้โมเดลสามารถจำแนกประเภทใหม่ๆ ได้จากตัวอย่างที่มีป้ายกำกับเพียงไม่กี่ตัวอย่าง ด้วยการเรียนรู้การแสดงแทน (representations) ที่สมบูรณ์และถ่ายทอดได้โดยไม่ต้องมีการติดป้ายกำกับที่มีค่าใช้จ่ายสูง SSL-FSL จึงแก้ไขปัญหาคอขวดพื้นฐานของวิธีการแบบกึ่งกำกับตนเองแบบไม่กี่ตัวอย่าง นั่นคือ ความต้องการข้อมูลสนับสนุนที่มีป้ายกำกับในปริมาณมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/th/machine-learning/self-supervised-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.
- Siamese Neural Networkการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare