Байєсівське навчання з малим числом прикладів
Байєсівське навчання з малим числом прикладів поєднує байєсівський висновок з мета-навчанням, щоб дозволити моделі узагальнювати на основі від однієї до п'яти мічених прикладів на клас. Розглядаючи параметри конкретного завдання як випадкові змінні та навчаючи інформативний апріорний розподіл на багатьох навчальних завданнях, метод забезпечує калібровані оцінки невизначеності поряд із прогнозами — ключова перевага над детермінованими методами навчання з малим числом прикладів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Gordon, J., Bronskill, J., Bauer, M., Nowozin, S. & Turner, R. E. (2019). Meta-Learning Probabilistic Inference for Prediction. International Conference on Learning Representations (ICLR 2019). link ↗
- Finn, C., Xu, K. & Levine, S. (2018). Probabilistic Model-Agnostic Meta-Learning. Advances in Neural Information Processing Systems (NeurIPS 2018), 31. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/uk/machine-learning/bayesian-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.
- Байєсівське трансферне навчанняМашинне навчання↔ compare
- Навчання з малою кількістю прикладівМашинне навчання↔ compare
- Гаусівський процесМашинне навчання↔ compare
- Напівкероване навчання з малою кількістю прикладівМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →