Học tăng cường bán giám sát với ít mẫu (Semi-supervised Few-shot Learning)
Học tăng cường bán giám sát với ít mẫu (SS-FSL) huấn luyện các mô hình để phân loại các lớp mới chỉ từ một số ít ví dụ được gán nhãn cho mỗi lớp, đồng thời tận dụng một tập hợp dữ liệu chưa được gán nhãn để làm giàu biểu diễn lớp. Bằng cách kết hợp các tập meta-learning với việc gán nhãn giả mềm cho các mẫu chưa được gán nhãn, phương pháp này đạt được độ chính xác cao hơn đáng kể so với các phương pháp học tăng cường với ít mẫu chỉ có giám sát khi có sẵn nhiều dữ liệu chưa được gán nhãn.
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
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/vi/machine-learning/semi-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.
- Few-shot LearningHọc máy↔ compare
- Học tăng cường tự giám sátHọc máy↔ compare
- Học bán giám sátHọc máy↔ compare
- Transfer LearningHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →