การเรียนรู้แบบกึ่งกำกับดูแลด้วยตัวอย่างน้อย (Semi-supervised Few-shot Learning)
การเรียนรู้แบบกึ่งกำกับดูแลด้วยตัวอย่างน้อย (Semi-supervised Few-shot Learning หรือ SS-FSL) ฝึกโมเดลให้จำแนกคลาสใหม่จากตัวอย่างที่มีป้ายกำกับเพียงไม่กี่ตัวอย่างต่อคลาส พร้อมทั้งใช้ประโยชน์จากชุดข้อมูลที่ไม่มีป้ายกำกับเพื่อเสริมสร้างการแสดงแทนคลาส ด้วยการผสมผสานการเรียนรู้แบบเมตา (meta-learning episodes) เข้ากับการกำหนดป้ายกำกับเทียมแบบอ่อน (soft pseudo-label assignment) สำหรับตัวอย่างที่ไม่มีป้ายกำกับ SS-FSL จึงให้ความแม่นยำสูงกว่าวิธีการเรียนรู้แบบตัวอย่างน้อยภายใต้การกำกับดูแล (supervised few-shot methods) อย่างมีนัยสำคัญ เมื่อมีข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/th/machine-learning/semi-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.
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกำกับดูแลตนเองการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare