Yarı Denetimli Az Örnekle Öğrenme
Semi-supervised Few-shot Learning (SS-FSL) · Ayrıca şöyle bilinir: SS-FSL, semi-supervised meta-learning, few-shot learning with unlabeled data, low-label few-shot learning
Yarı Denetimli Az Örnekle Öğrenme (SS-FSL), modelleri, sınıf başına yalnızca bir avuç etiketli örnekten yeni sınıfları sınıflandırmak üzere eğitirken, aynı zamanda sınıf temsillerini zenginleştirmek için etiketlenmemiş bir veri havuzundan yararlanır. Meta-öğrenme epizotlarını etiketlenmemiş örnekler için yumuşak sözde etiket atamasıyla birleştirerek, bol miktarda etiketlenmemiş veri mevcut olduğunda, tamamen denetimli az örnekle öğrenme yöntemlerinden belirgin şekilde daha yüksek doğruluk elde eder.
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 son derece az olduğu durumlarda (genellikle yeni sınıf başına 1 ila 20 örnek), ancak daha büyük bir etiketlenmemiş alan içi veri havuzuna erişilebildiğinde SS-FSL kullanın. Tıbbi görüntüleme, nadir tür tanıma, düşük kaynaklı NLP ve açıklamanın maliyetli olduğu her ortam için çok uygundur. Etiketlenmemiş havuz gerçekten ilgili bir dağılımdan geldiğinde saf az örnekle öğrenmeden daha iyi performans gösterir. Etiketlenmemiş veriler çok farklı bir alandan geldiğinde (dağılım uyumsuzluğu prototipleri bozar), orta düzeyde etiketli veri mevcut olduğunda (standart denetimli öğrenme onu geride bırakır) veya test zamanında yeni sınıf sayısı eğitimde kullanılan epizot tasarımını büyük ölçüde aştığında KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Sınıf temsillerini iyileştirmek için ucuz etiketlenmemiş verilerden yararlanır, açıklama maliyetini önemli ölçüde azaltır.
- Eşleşen dağılım ayarlarında tamamen denetimli az örnekle öğrenme yöntemlerinden daha yüksek doğruluk.
- Epizodik eğitim, büyük sınıf kapsamı varsaymak yerine, az örnekle öğrenme genelleme problemini açıkça hedefler.
- Prototip tabanlı karar kuralı, çıkarım zamanında yorumlanabilir ve hesaplama açısından hafiftir.
- Mimari revizyona gerek kalmadan standart az örnekle öğrenme çerçevelerini (Prototipik Ağlar, MAML) doğal olarak genişletir.
- Dağılım uyumsuzluğuna duyarlıdır: etiketlenmemiş örnekler alan dışıysa, gürültülü sözde etiketler prototipleri iyileştirmek yerine bozar.
- Epizot tasarımı (N-yönlü, K-atışlı) amaçlanan test senaryosuyla uyumlu olmalıdır; uyumsuzluk aktarımı azaltır.
- Genellenebilir bir gömme öğrenmek için birçok etiketli sınıfa sahip bir meta-eğitim temel kümesi gerektirir, bu da gerçekten veri açısından yetersiz alanlarda mevcut olmayabilir.
- Yumuşak etiket ataması ve prototip iyileştirmesi, ayarlanması gereken hiperparametreler (sıcaklık, etiketlenmemiş ağırlıklandırma) ekler.
- Değerlendirme, epizotların rastgele örneklenmesine duyarlıdır; bildirilen doğruluk, birçok test epizotu üzerinden toplanmalıdır.
SSS
Bu, standart az örnekle öğrenmeden nasıl farklıdır?
Standart az örnekle öğrenme, sorguları sınıflandırmak için yalnızca küçük etiketli destek kümesini kullanır. SS-FSL, epizot sırasında etiketlenmemiş örnekleri de dahil eder, sınıf prototiplerini iyileştirmek için yumuşak sözde etiketler kullanır ve böylece ilgili bir etiketlenmemiş havuz mevcut olduğunda sınıflandırma doğruluğunu artırır.
Etiketlenmemiş verilerim eğitim zamanında görülmeyen sınıfları içeriyorsa ne olur?
SS-FSL, yanıltıcıları (N epizot sınıfının hiçbirine ait olmayabilecek etiketlenmemiş örnekler) ele almak üzere tasarlanmıştır. Yumuşak etiket mekanizması, bu tür aykırı değerler için olasılığı doğal olarak azaltır veya sınıflar arasında yayar, ancak çok sayıda yanıltıcı yine de prototip kalitesini düşürebilir. Yanıltıcıların gerçek sınıf etiketlenmemiş örneklere oranını izlemek tavsiye edilir.
Epizot başına kaç etiketlenmemiş örneğe ihtiyaç vardır?
Ampirik olarak, orta düzeyde bir sayı (sınıf başına 5-20 etiketlenmemiş örnek), aşırı gürültü eklemeden anlamlı prototip iyileştirmesi sağlar. Çok azı, saf az örnekle öğrenmeye göre çok az fayda sunar; çok fazlası, yanlış etiketlenmiş veya dağılım dışı örneklerin etkisini artırabilir.
ResNet veya ViT gibi önceden eğitilmiş bir omurga kullanabilir miyim?
Evet ve pratikte önceden eğitilmiş omurgalar, güçlü bir başlangıç özellik alanı sağlayarak performansı önemli ölçüde artırır. İnce ayar, hedef alana uyarlanırken genel temsilleri korumak için dikkatlice (genellikle düşük bir öğrenme oranıyla) yapılmalıdır.
SS-FSL için standart kıyaslama veri kümeleri nelerdir?
miniImageNet ve tieredImageNet en yaygın kıyaslama veri kümeleridir ve sonuçlar genellikle 5-yönlü 1-atışlı ve 5-yönlü 5-atışlı ayarlar için rapor edilir. tieredImageNet'in sınıf hiyerarşisi, eğitim ve test sınıflarının semantik olarak ayrık olmasını sağlayarak genellemenin daha temiz bir değerlendirmesine olanak tanır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-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
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Transfer LearningMakine öğrenmesi↔ karşılaştır