Hispanopedia Wiki
Articulo de referencia

Aprendizaje con pocos ejemplos

El aprendizaje con pocos ejemplos ( FSL ) es una configuración de problemas en el aprendizaje automático en la que un modelo aprende a realizar una tarea, típicamente de clasifi...

Hispanopedia WikiContenido en espanolLectura gratuita

El aprendizaje con pocos ejemplos ( FSL ) es una configuración de problemas en el aprendizaje automático en la que un modelo aprende a realizar una tarea, típicamente de clasificación , a partir de solo un pequeño número de ejemplos etiquetados por clase, en lugar de los grandes conjuntos de datos requeridos por el aprendizaje supervisado convencional . [ 1 ] [ 2 ] [ 3 ] [ 4 ]

El aprendizaje de una sola muestra es el caso especial del marco N -way K -shot en el que K es igual a uno, de modo que el modelo debe generalizar a partir de exactamente un ejemplo por clase. [ 1 ] [ 5 ] [ 6 ] [ 7 ]

El caso límite del aprendizaje con pocos ejemplos es el aprendizaje sin ejemplos , que no requiere entrenamiento con ejemplos de la clase que se va a clasificar; en cambio, la tarea de clasificación debe generalizarse a partir de ejemplos de otras clases. [ 6 ] [ 8 ] [ 9 ]

Véase también

Referencias

  1. 1 2 Wang, Yaqing; Yao, Quanming; Kwok, James T.; Ni, Lionel M. (2020-06-12). "Generalizing from a Few Examples: A Survey on Few-shot Learning" . ACM Comput. Surv . 53 (3): 63:1–63:34. doi : 10.1145/3386252 . ISSN 0360-0300 . 
  2. ↑ Song, Yisheng; Wang, Ting; Cai, Puyu; Mondal, Subrota K.; Sahoo, Jyoti Prakash (2023-07-13). "Una revisión exhaustiva del aprendizaje con pocos ejemplos: evolución, aplicaciones, desafíos y oportunidades" . ACM Comput. Surv . 55 (13s): 271:1–271:40. doi : 10.1145/3582688 . ISSN 0360-0300 . 
  3. ↑ Parnami, Archit; Lee, Minwoo (2022-03-07), Aprendizaje a partir de pocos ejemplos: un resumen de los enfoques para el aprendizaje con pocos ejemplos , arXiv : 2203.04291
  4. ↑ Han, Xiaoming; Shi, Dianxi; Wang, Zhen; Chen, Yang; Jin, Songchang; Yang, Shaowu (17 de enero de 2026). "Metaaprendizaje para el reconocimiento de tareas abiertas de pocas oportunidades" . Informes científicos . 16 (1): 5624. Código bibliográfico : 2026NatSR..16.5624H . doi : 10.1038/s41598-026-36291-x . ISSN 2045-2322 . PMC 12891690 . PMID 41547899 .   
  5. ↑ Tyukin, Ivan Y.; Gorban, Alexander N.; Alkhudaydi, Muhammad H.; Zhou, Qinghua (18 de julio de 2021). "Desmitificación del aprendizaje con pocos y un solo ejemplo". Conferencia Internacional Conjunta sobre Redes Neuronales (IJCNN) de 2021. IEEE. págs. 1–7 . Bibcode : 2021ijcn.conf..800T . doi : 10.1109/IJCNN52387.2021.9534395 . ISBN  978-1-6654-3900-8.
  6. 1 2 Kadam, Suvarna; Vaidya, Vinay (2020). "Revisión y análisis de los enfoques de aprendizaje de cero, una y pocas muestras". En Abraham, Ajith; Cherukuri, Aswani Kumar; Melin, Patricia; Gandhi, Niketa (eds.). Diseño y aplicaciones de sistemas inteligentes . Avances en sistemas inteligentes y computación. Vol. 940. Cham: Springer International Publishing. pp. 100–112 . doi : 10.1007/978-3-030-16657-1_10 . ISBN   978-3-030-16657-1.
  7. ↑ Vinyals, Oriol; Blundell, Charles; Lillicrap, Timothy; Kavukcuoglu, Koray; Wierstra, Daan (5 de diciembre de 2016). Matching networks for one shot learning . Red Hook, NY, EE. UU.: Curran Associates Inc. pp. 3637–3645 . ISBN  978-1-5108-3881-9.
  8. ↑ Wang, Wei; Zheng, Vincent W.; Yu, Han; Miao, Chunyan (2019-01-16). "Una revisión del aprendizaje de cero disparos: configuraciones, métodos y aplicaciones" . ACM Trans. Intell. Syst. Technol . 10 (2): 13:1–13:37. doi : 10.1145/3293318 . ISSN 2157-6904 . 
  9. ↑ Xian, Yongqin; Lampert, Christoph H.; Schiele, Bernt; Akata, Zeynep (2019-09-01). "Aprendizaje de cero disparos: una evaluación integral de lo bueno, lo malo y lo feo". IEEE Transactions on Pattern Analysis and Machine Intelligence . 41 (9): 2251– 2265. Bibcode : 2019ITPAM..41.2251X . doi : 10.1109/TPAMI.2018.2857768 . ISSN 0162-8828 . PMID 30028691 .