Học máy ít mẫu có điều kiện Bayes
Học máy ít mẫu có điều kiện Bayes kết hợp suy luận Bayes với học máy siêu tham số (meta-learning) để cho phép mô hình khái quát hóa từ chỉ một đến năm ví dụ được gán nhãn cho mỗi lớp. Bằng cách coi các tham số đặc trưng cho tác vụ là các biến ngẫu nhiên và học một phân phối tiên nghiệm (prior) giàu thông tin trên nhiều tác vụ huấn luyện, phương pháp này tạo ra các ước lượng độ không chắc chắn được hiệu chuẩn (calibrated) cùng với các dự đoán — một lợi thế quan trọng so với các bộ học ít mẫu xác định.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Bayesian Few-Shot Learning (Meta-Learning with Bayesian Inference). ScholarGate. https://scholargate.app/vi/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.
- Học chuyển giao BayesHọc máy↔ compare
- Few-shot LearningHọc máy↔ compare
- Quá trình GaussHọc máy↔ compare
- Học tăng cường bán giám sát với ít mẫu (Semi-supervised Few-shot Learning)Học máy↔ compare
- Transfer LearningHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →