Çevrimiçi Az Örnekli Öğrenme
Online Few-shot Learning (Streaming Meta-Learning from Scarce Labels) · Ayrıca şöyle bilinir: online meta-learning, streaming few-shot learning, continual few-shot learning, incremental few-shot learning
Çevrimiçi Az Örnekli Öğrenme, çevrimiçi öğrenmenin akışsal güncelleme ilkesini az örnekli öğrenmenin veri verimliliği hedefiyle birleştirerek, bir modelin yalnızca birkaç etiketli örnekten yeni görevlere veya sınıflara sürekli olarak uyum sağlamasına olanak tanır; bu, veriler sıralı olarak geldikçe ve tam geçmiş veri kümesine erişim olmadan gerçekleşir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Etiketli verilerin her yeni kategori veya görev için zamanla küçük patlamalar halinde geldiği ve her güncellemeden sonra sıfırdan yeniden eğitmeyi karşılayamayacağınız durumlarda çevrimiçi az örnekli öğrenmeyi seçin — örneğin, yeni ürün türleri ortaya çıktıkça kişiselleştirilmiş öneri, yeni tanımlanmış alt tiplerin tıbbi görüntülemesi veya sıralı olarak karşılaşılan yeni nesnelerin robot algısı. Ayrıca, gizlilik veya depolama kısıtlamalarının geçmiş eğitim verilerini tutmayı engellediği durumlarda da uygundur. Her sınıf için yeterli etiketli veri mevcut olduğunda (standart denetimli öğrenme daha doğru ve ayarlanması daha kolay olacaktır), görevler tamamen statik olduğunda (yığın az örnekli öğrenme daha basittir) veya bölüm yapısı yapay olduğunda ve gerçek ihtiyaç yalnızca orta düzeyde veri hacimleriyle sürekli öğrenme olduğunda KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Tam yeniden eğitim yapmadan yalnızca bir ila beş örnekten yeni sınıflara veya görevlere uyum sağlar.
- Verileri akışsal bir şekilde işler, tüm geçmiş veri kümelerinin depolanmasından kaçınır.
- Bölümler arası meta-öğrenme, zamanla giderek daha hızlı uyumu sağlar.
- Ham geçmiş verilerin tutulamadığı gizlilik açısından hassas ortamlar için çok uygundur.
- Durağan olmayan dağılımları destekler: model, veri akışı geliştikçe temsillerini değiştirebilir.
- Dikkatli bölüm oluşturma gerektirir; bölümler gerçek dağıtım dağılımını temsil etmiyorsa, meta-eğitim yapay görev yapılarına aşırı uyum sağlayabilir.
- Katastrofik unutma, açık bellek tekrarı veya düzenlileştirme dahil edilmediği sürece önceki görevler için bir zorluk olmaya devam eder.
- İç döngü uyum adımının hesaplama ek yükü, yüksek verimli akışlardaki büyük modeller için önemli olabilir.
- Değerlendirme karmaşıktır: standart doğruluk metrikleri bölüm türüne göre bildirilmelidir ve heterojen görev dağılımları üzerinden toplama önemsizdir.
SSS
Çevrimiçi az örnekli öğrenme, standart az örnekli öğrenmeden nasıl farklıdır?
Standart az örnekli öğrenme, sabit bir meta-eğitim bölümü yığını varsayar ve dağıtımdan önce çevrimdışı eğitilir. Çevrimiçi az örnekli öğrenme, her yeni bölüm akışta geldiğinde meta-parametreleri sürekli olarak günceller, böylece model tüm geçmiş verilere tekrar başvurmadan zamanla gelişir.
Sürekli öğrenmeden nasıl farklıdır?
Sürekli öğrenme tipik olarak görev başına orta düzeyde veriyle sıralı olarak gelen görevlerle ilgilenir ve unutmayı önlemeye odaklanır. Çevrimiçi az örnekli öğrenme, her gelen görevin son derece az etiketli örneğe sahip olduğu rejimi özel olarak ele alır, bu da onu sıralı güncelleme gereksinimi üzerine katmanlanmış daha katı bir veri verimliliği kısıtlaması haline getirir.
Hangi temel model mimarileri en iyi çalışır?
Prototip ağları ve ilişki ağları gibi gömme tabanlı modeller popülerdir çünkü iç döngü uyumları hafiftir (merkezoidleri hesaplamak için tek bir ileri geçiş). MAML gibi gradyan tabanlı yöntemler de kullanılabilir ancak çevrimiçi rejimde verimli kalmak için dikkatli öğrenme oranı ayarlaması gerektirir.
Bir çevrimiçi az örnekli model nasıl değerlendirilmelidir?
Birden çok rastgele tohum ve görev dağılımı üzerinde ortalama alınmış bölüm düzeyinde doğruluğu bildirin. Unutma olup olmadığını kontrol etmek için akışın başından itibaren tutulan bölümler üzerindeki performansı da izleyin. Az örnekli doğruluğun yüksek varyansı göz önüne alındığında, yalnızca nokta tahminleri yerine güven aralıklarını kullanın.
Katastrofik unutma her zaman bir sorun mudur?
Meta-parametreler, önceki temsilleri korumak için herhangi bir mekanizma olmadan güncellendiğinde bir risktir. Epizodik bellek tekrarı, elastik ağırlık konsolidasyonu veya özel bellekle güçlendirilmiş modüller gibi teknikler pratikte unutmayı önemli ölçüde azaltabilir.
Kaynaklar
- Finn, C., Rajeswaran, A., Kakade, S., & Levine, S. (2019). Online Meta-Learning. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97, 1920–1930. link ↗
- Javed, K., & White, M. (2019). Meta-Learning Representations for Continual Learning. Advances in Neural Information Processing Systems (NeurIPS), 32. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Few-shot Learning (Streaming Meta-Learning from Scarce Labels). ScholarGate. https://scholargate.app/tr/machine-learning/online-few-shot-learning
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Az sayıda örnekle öğrenmeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır