Навчання з самоконтролем у режимі малого числа прикладів
Навчання з самоконтролем у режимі малого числа прикладів (SSL-FSL) поєднує попереднє навчання з самоконтролем на великих нерозмічених корпусах із метанавчанням у режимі малого числа прикладів, щоб модель могла розпізнавати нові категорії лише за кількома розміченими прикладами. Навчаючись багатим, переносним представленням без дорогого анотування, SSL-FSL вирішує фундаментальне обмеження наглядових методів малого числа прикладів: потребу у розмічених даних підтримки у великому масштабі.
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
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/uk/machine-learning/self-supervised-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.
- Сиамська нейронна мережаГлибоке навчання↔ compare
- Трансферне навчанняМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →