Az sayıda örnekle öğrenme
Few-shot Learning (Meta-learning with Limited Labeled Examples) · Ayrıca şöyle bilinir: FSL, low-shot learning, k-shot learning, meta-learning for few examples
Az sayıda örnekle öğrenme, önceden edinilmiş geniş ve ilgili bir eğitim dağılımından elde edilen bilgileri kullanarak, yalnızca birkaç etiketli örnekten — tipik olarak birden beşe kadar — yeni sınıfları tanıyan veya yeni görevleri çözen modelleri eğiten bir makine öğrenmesi paradigmasıdır. Etiketlemenin pahalı, nadir veya yapısal olarak sınırlı olduğu alanlarda özellikle önemlidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+17 tane daha
Ne zaman kullanılır
Hedef görev için etiketli verinin gerçekten az olduğu — sınıflar başına kabaca 10 ila 20'den az örnek — ancak ön eğitim veya meta eğitim için büyük ve ilgili bir veri kümesinin mevcut olduğu durumlarda az sayıda örnekle öğrenmeyi kullanın. Tipik kullanım durumları arasında nadir hastalık sınıflandırması, nesli tükenmekte olan türlerin tanınması, düşük kaynaklı dil görevleri ve soğuk başlangıçlı kullanıcılarla kişiselleştirilmiş öneriler yer alır. Etiketlemenin mümkün olduğu durumlarda daha fazla etiketli veri toplamanın yerine kullanmayın; yeterli etiketle, tam denetimli veya ince ayarlanmış transfer öğrenme neredeyse her zaman az sayıda örnekle öğrenme yöntemlerinden daha iyi performans gösterir. Ayrıca, meta eğitim dağılımı hedef alandan çok farklıysa kaçının, çünkü bu öğrenilen ön bilgiyi geçersiz kılar.
Güçlü yönler & sınırlılıklar
- Sınıf başına bir ila beş etiketli örnekten pratik öğrenmeyi etkinleştirir, bu da etiketleme maliyetini önemli ölçüde azaltır.
- Bölümsel eğitim, modeli karşılaşacağı düşük veri dağıtım senaryosu için açıkça hazırlar.
- Metrik tabanlı varyantlar (Prototip Ağları, Eşleştirme Ağları) çıkarım sırasında hesaplama açısından hafiftir — gradyan adımı gerekmez.
- Görsel, NLP, ses ve yapılandırılmış veri görevlerinde geniş çapta uygulanabilir.
- Büyük önceden eğitilmiş modellerle doğal olarak bütünleşir, bu da tam ince ayar yapmadan güçlü ön bilgilerin kullanılmasını sağlar.
- Büyük, çeşitli bir meta eğitim seti gerektirir; meta eğitim ve hedef dağılımları önemli ölçüde farklılaştığında performans keskin bir şekilde düşer.
- Optimizasyon tabanlı yöntemler (örneğin, MAML), ikinci dereceden gradyanlar nedeniyle meta eğitim sırasında hesaplama açısından yoğundur.
- Standart veri kümelerindeki (miniImageNet, Omniglot) kıyaslama doğruluğu, test alanı farklıysa gerçek dünya performansını abartabilir.
- Doğru mimariyi, gömme omurgasını ve bölüm örnekleme stratejisini seçmek, önemsiz olmayan hiperparametre kararları içerir.
- Sınıf başına yaklaşık 20'den fazla etiketli örnekle, standart transfer öğrenme veya ince ayar genellikle daha az karmaşıklıkla daha iyi doğruluk sunar.
SSS
Az sayıda örnekle öğrenme ile transfer öğrenme arasındaki fark nedir?
Transfer öğrenme, önceden eğitilmiş bir modeli yeni bir görev üzerinde ince ayar yapar ve tipik olarak sınıflar başına on ila binlerce etiketli örnekten yararlanır. Az sayıda örnekle öğrenme, modelin belirli bir alana nasıl uyum sağlayacağını değil, hızlı bir şekilde nasıl genelleme yapacağını öğrenmesi için bölümsel meta eğitim kullanarak yalnızca sınıflar başına bir ila beş örnekle uyum sağlamak üzere özel olarak tasarlanmıştır.
k-örnekli n-yollu ne anlama geliyor?
Bölüm yapısını tanımlar: n-yollu, aynı anda sunulan n yeni sınıf anlamına gelir ve k-örnekli, her sınıf için k etiketli örnek sağlandığı anlamına gelir. 5-yollu 1-örnekli bir görev, modelden, her biri için yalnızca tek bir etiketli örnek verildiğinde sorgu görüntülerini beş kategoriden birine sınıflandırmasını ister.
Az sayıda örnekle öğrenme çalıştırmak için GPU'ya ihtiyacım var mı?
Meta eğitim — özellikle MAML gibi optimizasyon tabanlı yöntemler — önemli miktarda hesaplama gerektirir ve tipik olarak GPU'larda yapılır. Ancak, metrik tabanlı çıkarım (sorgu gömmelerini destek prototipleriyle karşılaştırma) ucuzdur ve omurga önceden eğitildikten sonra üretimde CPU'da çalışabilir.
Kaç tane meta eğitim görevine ihtiyacım var?
Bu, mutlak sayıdan ziyade çeşitliliğe bağlıdır. Çeşitli bir sınıf havuzundan bölümsel olarak örneklenmiş birkaç bin görev yaygın bir temeldir. En önemli şey, meta eğitim sınıflarının görülmemiş hedef sınıflara genelleme yapacak kadar çok ve çeşitli olmasıdır.
Az sayıda örnekle öğrenme ile sıfır örnekle öğrenme aynı mı?
Hayır. Sıfır örnekle öğrenme, test zamanında yeni sınıflardan etiketli örnek gerektirmez ve tamamen anlamsal sınıf tanımlayıcılarına veya özniteliklerine dayanır. Az sayıda örnekle öğrenme, destek kümesindeki yeni sınıf başına en az bir etiketli örnek sağlar.
Kaynaklar
- 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. link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/tr/machine-learning/few-shot-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ölçüm ÖğrenmesiMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır