Регуляризоване навчання з малим числом прикладів
Регуляризоване навчання з малим числом прикладів доповнює стандартні конвеєри навчання з малим числом прикладів явними механізмами регуляризації — такими як спад ваги, відсів, аугментація даних, згладжування міток або обмеження многовиду — для зменшення перенавчання на крихітних наборах підтримки, що визначають кожен епізод. Це дозволяє отримати більш узагальнювані моделі, коли доступно лише від одного до тридцяти маркованих прикладів на клас.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/uk/machine-learning/regularized-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.
- Навчання з малою кількістю прикладівМашинне навчання↔ compare
- Регуляризоване трансферне навчанняМашинне навчання↔ compare
- Самокероване навчанняМашинне навчання↔ compare
- Напівкероване навчання з малою кількістю прикладівМашинне навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →