Học tăng cường ít mẫu có điều hòa
Học tăng cường ít mẫu có điều hòa (Regularized few-shot learning) bổ sung các cơ chế điều hòa tường minh — như suy giảm trọng số (weight decay), dropout, tăng cường dữ liệu (data augmentation), làm mịn nhãn (label smoothing) hoặc ràng buộc đa tạp (manifold constraints) — vào các quy trình học tăng cường ít mẫu tiêu chuẩn nhằm giảm thiểu hiện tượng quá khớp (overfitting) với các tập hỗ trợ nhỏ định nghĩa từng episode. Điều này tạo ra các mô hình có khả năng khái quát hóa tốt hơn khi chỉ có từ một đến ba mươi ví dụ được gán nhãn cho mỗi lớp.
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
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/vi/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.
- Few-shot LearningHọc máy↔ compare
- Học chuyển giao có điều chuẩnHọc máy↔ compare
- Học tăng cường tự giám sátHọc máy↔ compare
- Học tăng cường bán giám sát với ít mẫu (Semi-supervised Few-shot Learning)Học máy↔ compare
- Transfer LearningHọc máy↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →