Глоссарий ИИ
Полный словарь искусственного интеллекта
Prototypical Networks
Архитектура few-shot learning, которая изучает метрическое пространство, в котором классы представлены прототипами, вычисляемыми как среднее значение эмбеддингов опорных примеров.
Episode Training
Стратегия обучения в few-shot learning, где каждый эпизод имитирует задачу few-shot с опорным набором и набором запросов, чтобы воспроизвести условия тестирования.
Support Set
Набор размеченных примеров, предоставляемых модели во время вывода, чтобы помочь ей понять и классифицировать новые классы при наличии очень небольшого количества примеров.
Query Set
Набор неразмеченных примеров, которые модель должна классифицировать, используя знания, полученные из опорного набора, во время оценки few-shot.
Metric Learning
Область машинного обучения, направленная на изучение функции расстояния или сходства, которая приближает похожие примеры и отдаляет разные, что является основой в few-shot learning.
One-Shot Learning
Крайний случай few-shot learning, когда модель должна научиться распознавать новые классы по одному примеру на класс во время вывода.
Relation Networks
Архитектура few-shot, которая явно изучает функцию сравнения для измерения отношения между опорными примерами и примерами запроса в пространстве эмбеддингов.
Base Classes
Категории обучения с большим количеством доступных примеров, используемые для предварительного обучения модели перед адаптацией few-shot к новым классам.
Novel Classes
Новые классы с небольшим количеством примеров или без них, которые модель должна научиться распознавать на этапе тестирования в few-shot learning.
Cross-Domain Few-Shot
Вариант few-shot learning, в котором целевые классы принадлежат к другой области, отличной от классов обучения, что представляет собой более сложную задачу переноса.
Feature Embedding
Векторное представление входных данных низкой размерности, которое фиксирует основные семантические характеристики и имеет решающее значение для сравнения в few-shot learning.
Matching Networks
Few-shot архитектура, которая использует механизм внимания для сравнения каждого примера запроса со всеми опорными примерами и генерирует взвешенное предсказание.
Task-Agnostic Pretraining
Этап предварительного обучения, на котором модель изучает общие представления без знания о конкретных few-shot задачах, с которыми она столкнется позже.
Adaptive Fine-Tuning
Техника быстрой адаптации весов модели с небольшим количеством итераций на опорных примерах для настройки на новые классы в few-shot learning.
Hierarchical Few-Shot
Подход в few-shot learning, который использует иерархические отношения между классами для улучшения обобщения при наличии небольшого количества примеров.
Self-Supervised Few-Shot
Сочетание самообучения с few-shot learning для улучшения представлений перед адаптацией к новым классам с небольшим количеством примеров.