Few-Shot Learning
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 675
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MSCS01_057
تاریخ نمایه سازی: 6 شهریور 1401
چکیده مقاله:
یادگیری ماشین learning machine در برنامه های کاربردی با داده های زیاد و فشرده بسیار موفقیت آمیز عمل کرده میکند، اما برای داده های کوچک و یا کم دچار مشکل میشود. که برای حل این قضیهlearning shot-few پیشنهاد میشود. در واقع fsl با استفاده از دانش قبلی میتواند به سرعت به وظایف جدید که فقط شامل چند نمونه از اطلاعات نظارت شده است تعمیم دهد. در این مقاله به یک بررسی کامل برای درک بهتر fsl میپردازیم که در آن با یک تعریف رسمی از fsl شروع میکنیم که fsl را از چندین مشکل یادگیری ماشین متمایز میکند سپس به موضوع اصلی که حداقل رساندن ریسک تجربی غیرقابل اعتماد میباشد میپردازیم. در اینجا روش های fsl را از سه جهت دسته بندی میکنیم: ۱ -Data : کدام داده از دانش قبلی استفاده میکند و تجربه نظارت شده را افزایش میدهد ۲ -Model :کدام مدل از دانش قبلی برای کاهش اندازه فضای فرضیه استفاده میکند. ۳ -Algorithm کدام الگوریتم از دانش قبلی برای تغییر جستجو برای پیدا کردن فرضیه در بین فضاهای فرضیه داده شده استفاده میکند براساس این دسته بندی مزایا و معایب هر دسته را مورد بحث قرار میدهیم.
کلیدواژه ها:
نویسندگان
سمیه زارع
دانشجو کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن
رضیه طهماسبی
دانشجوکارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن
ارزو افراطی
دانشجوکارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن