قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التعلم الفوقي القائم على المقاييس
نهج يتعلم مقياس مسافة أو تشابه لمقارنة الأمثلة وإجراء تنبؤات على مهام جديدة.
التعلم الفوقي القائم على النموذج
طرق تستخدم نماذج ذات ذاكرة داخلية أو آليات انتباه للتكيف بسرعة مع مهام جديدة.
التعلم الفرعي القائم على التحسين
تقنيات تقوم بتحسين عملية التعلم بشكل مباشر للسماح بالتكيف السريع مع عدد قليل من تحديثات التدرج.
MAML (التعلم الميتا المحايد للنموذج)
خوارزمية تدرب النماذج مع تهيئة معلمات مثالية للتعلم السريع على مهام جديدة.
الشبكات الأولية
بنية تتعلم مساحة التضمين حيث يتم تمثيل كل فئة بنموذج أولي يتم حسابه من أمثلة الدعم.
الشبكات السيامية
الشبكات العصبية المزدوجة التي تتعلم قياس التشابه بين أزواج المدخلات لتعلم القليل من الأمثلة.
شبكات المطابقة
نماذج تستخدم آليات انتباه موزونة لمطابقة أمثلة الاختبار بأمثلة الدعم.
شبكات العلاقات
بنية تتعلم دالة علاقة لمقارنة التضمينات (embeddings) لأمثلة الدعم وأمثلة الاختبار
الشبكات العصبية المعززة بالذاكرة
شبكات عصبية مع ذاكرة خارجية تتيح تخزيناً سريعاً واسترجاعاً فعالاً للمعلومات للمهام الجديدة.
التعلم المعزز الميتا
تطبيق التعلم الميتا على مسائل التعلم المعزز من أجل التكيف السريع مع البيئات الجديدة.
التعلم الميتا المستمر
نهج يجمع بين التعلم الميتا والتعلم المستمر للتعلم بشكل مستمر على مهام جديدة دون نسيان المهام السابقة.
التعلم الميتا لتحسين المعلمات الفائقة
استخدام التعلم الميتا لتحسين المعلمات الفائقة لنماذج التعلم تلقائياً.
البحث عن بنية الشبكة العصبية بالتعلم الميتا
تطبيق التعلم الميتا لاكتشاف تلقائي لبنى الشبكات العصبية المثلى لمهام محددة.
التعلم بدون أمثلة
القدرة على التعرف على فئات لم تُرى من قبل في التعلم باستخدام معلومات دلالية أو أوصاف.
One-Shot Learning
مجال فرعي من التعلم القليل (few-shot learning) حيث يجب على النموذج أن يتعلم من مثال واحد لكل فئة.
التعلم الميتا للتصنيف ذي العينات القليلة
تخصص التعلم الميتا المركز على مشاكل التصنيف مع أمثلة تدريب قليلة جدا لكل فئة.
التعلم الفوقي غير الحساس للمهام
نهج يتعلم تمثيلات شاملة بدون معرفة مسبقة بتوزيع المهام المستقبلية.