Düzenlileştirilmiş Az Örnekli Öğrenme
Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning) · Ayrıca şöyle bilinir: FSL with regularization, regularized meta-learning, few-shot learning with regularization, regularized episodic learning
Düzenlileştirilmiş az örnekli öğrenme, standart az örnekli öğrenme işlem hatlarına açık düzenlileştirme mekanizmaları — ağırlık azalması, bırakma, veri artırımı, etiket düzeltme veya manifold kısıtlamaları gibi — ekleyerek her bir bölümü tanımlayan minik destek kümelerine aşırı uyumu azaltır. Bu, sınırsız veya otuz etiketli örnek başına yalnızca bir tane mevcut olduğunda daha genelleştirilebilir modeller üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Her sınıftan çok az etiketli örneğiniz olduğunda (1-30) ve bu örneklere aşırı uyum riski yüksek olduğunda — örneğin tıbbi görüntü sınıflandırmasında, nadir tür tanımlamasında veya düşük kaynaklı NLP görevlerinde — düzenlileştirilmiş az örnekli öğrenmeyi kullanın. Özellikle omurga önceden eğitmek için büyük bir etiketsiz veya yardımcı veri kümesi mevcut olduğunda değerlidir. Varsayılan olarak uygulamayın; sınırsız etiketli örnek başına yüzlerce örneğiniz varsa, standart transfer öğrenmesi veya düzenlileştirme ile ince ayar daha basittir ve eşit derecede etkilidir. Ayrıca, bireysel tahminlerin yorumlanabilirliği gerektiğinde kaçının, çünkü epizodik meta-öğrenme çerçevesi sınırlı açıklanabilirlik sunar.
Güçlü yönler & sınırlılıklar
- Açık düzenlileştirme yoluyla minik destek kümelerine aşırı uyumu etkili bir şekilde azaltır, yeni sınıflara genelleştirmeyi iyileştirir.
- Neredeyse tüm az örnekli çerçevelerle uyumlu — prototipik, MAML, eşleştirme ağları, ilişki ağları — bir eklenti geliştirmesi olarak.
- Düzenlileştirme ile ön eğitim, çeşitli az örnekli görevlerde iyi aktarılan güçlü temel temsiller üretir.
- Ek kazançlar için birden fazla düzenlileştiriciyi (bırakma artı artırım artı L2) birleştirebilir.
- İyi düzenlileştirilmiş bir omurga ile eşleştirildiğinde karmaşık meta-öğrenme yöntemleriyle performans boşluğunu kapattığı ampirik olarak gösterilmiştir.
- Ayarlanması gereken ek hiperparametreler (düzenlileştirme güçleri, bırakma oranları, artırım politikaları) getirir ve bunlar birbirleriyle karmaşık bir şekilde etkileşime girebilir.
- Performans, ön eğitim temel veri kümesinin kalitesine ve çeşitliliğine büyük ölçüde bağlıdır; önyargılı veya dar bir temel küme genelleştirmeyi sınırlar.
- Temel veri kıtlığı sorununu ortadan kaldırmaz — düzenlileştirme aşırı uyumu azaltır ancak alan farkı büyük olduğunda daha fazla etiketli verinin yerini alamaz.
- Epizodik değerlendirme, önyargıyı önlemek için dikkatli bölüm örneklemesi gerektirir; kötü tasarlanmış bölüm bölünmeleri bildirilen doğruluğu şişirir.
SSS
Az örnekli öğrenme için en iyi hangi tür düzenlileştirmeler çalışır?
Ön eğitim sırasında L2 ağırlık azalması, etiket düzeltme ve veri artırımı (Mixup, RandAugment) tutarlı bir şekilde etkilidir. Gömme ince ayarı sırasında bırakma da yardımcı olur. En iyi kombinasyon alana bağlıdır; temel sınıfların tutulmuş bir doğrulama kümesi üzerinde ampirik arama önerilir.
Düzenlileştirilmiş az örnekli öğrenme standart az örnekli öğrenmeden farklı mıdır?
Standart az örnekli öğrenme erken durdurma yoluyla örtük olarak düzenlileştirme kullanırken, düzenlileştirilmiş az örnekli öğrenme düzenlileştirmeyi açık birincil tasarım kararı haline getirir — meta-öğrenme algoritmasının kendisi kadar dikkatli ayarlanır. Ayrım, çok küçük destek kümeleriyle yüksek varyanslı ayarlarda en çok önem kazanır.
Sonuçları nasıl doğru raporlamalıyım?
Sonuçların tekrarlanabilir olması için en az 600 rastgele örneklenmiş test bölümü üzerinden ortalama n-yollu k-örnek doğruluğunu 95% güven aralıklarıyla raporlayın. Omurga, ön eğitim veri kümesi, düzenlileştirme türü ve gücü ve bölüm örnekleme protokolünü belirtin.
Düzenlileştirilmiş az örnekli öğrenme epizodik eğitim olmadan çalışabilir mi?
Evet. Birçok çalışma, standart çapraz entropi kullanılarak güçlü düzenlileştirme ile önceden eğitilmiş bir modelin, test zamanında en yakın merkez veya lojistik sınıflandırıcı ile uyarlanmasının, epizodik olarak eğitilmiş yöntemlere eşit veya daha iyi performans gösterdiğini göstermektedir. Epizodik eğitim yardımcıdır ancak zorunlu değildir.
Minimum kaç temel sınıf gereklidir?
Kesin bir minimum yoktur, ancak omurganın aktarılabilir temsiller öğrenmesi için pratikte en az 64 temel sınıf gereklidir. Daha az temel sınıf ile, güçlü düzenlileştirme bile temel sınıf özelliklerine aşırı uyumu önleyemeyebilir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/tr/machine-learning/regularized-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
- Düzenlileştirilmiş Transfer ÖğrenmesiMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı Denetimli Az Örnekle ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır