Few-shot learning
Few-shot learning er en maskinlæringsparadigme, hvor en model trænes til at generalisere fra et meget lille antal mærkede eksempler per klasse.
Kort fortalt
Kort fortalt gør few-shot learning det muligt for en AI at lære nye opgaver fra blot en håndfuld eksempler, ligesom mennesker kan lære fra få eksempler.
- Kategori
- teknik
- Niveau
- øvet
- Udtale
- /fjuː ʃɒt ˈlɜːnɪŋ/
Betydninger
2- 1
En maskinlæringsteknik, hvor en model lærer at udføre en opgave med kun få træningseksempler per klasse, ofte ved hjælp af meta-læring eller metriske indlejringer.
- Few-shot learning har muliggjort klassificering af sjældne dyrearter med blot få billeder.
- Modellen blev trænet med few-shot learning til at genkende nye håndskrevne tegn efter kun fem eksempler.
- 2
En evalueringsprotokol, hvor modellen testes på opgaver med få eksempler per klasse, typisk i N-way K-shot opsætning.
- I 5-way 5-shot indstillingen opnåede modellen en nøjagtighed på 98%.
Hvornår bruges det
Few-shot learning anvendes i situationer hvor data er knappe, fx i medicinsk billedanalyse, artsidentifikation eller personlige anbefalinger. Det involverer ofte meta-læring eller metriske læringsmetoder.
Oprindelse
Udtrykket opstod i takt med behovet for at håndtere dataknaphed i deep learning, populariseret af artikler som 'Siamese Neural Networks for One-shot Image Recognition' (Koch et al., 2015) og 'Model-Agnostic Meta-Learning' (Finn et al., 2017).
Afledte ord
3Kilder
3- Siamese Neural Networks for One-shot Image Recognition (Koch et al., 2015)
- Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks (Finn et al., 2017)
- Few-shot Learning: A Survey (Wang et al., 2020)