論文の概要: A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2205.06743v1
• Date: Fri, 13 May 2022 16:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 15:45:43.773979
• Title: A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities
• Title（参考訳）: マイナショット学習の包括的調査 : 進化、応用、挑戦、機会
• Authors: Yisheng Song, Ting Wang, Subrota K Mondal, Jyoti Prakash Sahoo
• Abstract要約: 効果的な学習方法としてショットラーニングが登場し、大きな可能性を秘めている。 我々は過去3年間に発行されたFSLに関する200以上の最新の論文を広範囲に調査した。 本稿では,知識の抽象化レベルに応じて既存の作業を分類する新しい分類法を提案する。
• 参考スコア（独自算出の注目度）: 5.809416101410813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot learning (FSL) has emerged as an effective learning method and shows great potential. Despite the recent creative works in tackling FSL tasks, learning valid information rapidly from just a few or even zero samples still remains a serious challenge. In this context, we extensively investigated 200+ latest papers on FSL published in the past three years, aiming to present a timely and comprehensive overview of the most recent advances in FSL along with impartial comparisons of the strengths and weaknesses of the existing works. For the sake of avoiding conceptual confusion, we first elaborate and compare a set of similar concepts including few-shot learning, transfer learning, and meta-learning. Furthermore, we propose a novel taxonomy to classify the existing work according to the level of abstraction of knowledge in accordance with the challenges of FSL. To enrich this survey, in each subsection we provide in-depth analysis and insightful discussion about recent advances on these topics. Moreover, taking computer vision as an example, we highlight the important application of FSL, covering various research hotspots. Finally, we conclude the survey with unique insights into the technology evolution trends together with potential future research opportunities in the hope of providing guidance to follow-up research.
• Abstract（参考訳）: 効果的な学習方法としてFSL(Few-shot Learning)が登場し,大きな可能性を示している。 FSLタスクに取り組むための最近の創造的な作業にもかかわらず、少数のサンプルから、あるいはゼロのサンプルから有効な情報を素早く学習することは、依然として深刻な課題である。 本研究では,過去3年間に発行されたFSLに関する200以上の最新の論文を網羅的に調査し,FSLの最近の進歩のタイムリーかつ包括的概要と,既存の作品の長所と短所を公平に比較することを目的とした。 概念的混乱を避けるために,我々はまず,少数ショット学習,転帰学習,メタラーニングなど,類似した概念のセットを詳しく比較する。 さらに,FSLの課題に応じて,知識の抽象化レベルに応じて既存の作業を分類する新たな分類法を提案する。 この調査を充実させるために、各節において、これらのトピックに関する最近の進歩に関する詳細な分析と洞察に富んだ議論を提供する。 さらに、コンピュータビジョンを例として、さまざまな研究ホットスポットをカバーするFSLの重要応用を強調した。 最後に,技術進化の傾向に関する独自の知見と今後の研究機会について,フォローアップ研究へのガイダンスの提供を期待する。

関連論文リスト

• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey [67.48187503803847]
  Vertical Federated Learning(VFL)は、プライバシ保護のための分散学習パラダイムである。 近年の研究では、VFLの様々な課題に対処する有望な成果が示されている。 この調査は、最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2024-05-25T16:05:06Z)
• Toward Green and Human-Like Artificial Intelligence: A Complete Survey on Contemporary Few-Shot Learning Approaches [5.8497833718980345]
  Few-Shot Learningは、新しい学習課題に迅速に適応することを目的としている。 近年の分野形成の動向,課題,今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-05T13:55:54Z)
• Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
  ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
  論文  参考訳（メタデータ） (2024-01-31T11:51:24Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• A Survey on Few-Shot Class-Incremental Learning [11.68962265057818]
  FSCIL(Few-shot class-incremental Learning)は、ディープニューラルネットワークが新しいタスクを学習する上で重要な課題である。 本稿では, FSCILに関する包括的調査を行う。 FSCILはコンピュータビジョンの様々な分野で大きな成果を上げている。
  論文  参考訳（メタデータ） (2023-04-17T10:15:08Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
  SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。 既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。 また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
  論文  参考訳（メタデータ） (2021-05-16T03:30:03Z)
• Learning from Very Few Samples: A Survey [80.06120185496403]
  機械学習の分野では、サンプル学習が重要で難しいものはほとんどない。 通常、一般化能力を保証するために数百から数千の教師付きサンプルを含むサンプル学習アルゴリズムはほとんどない。
  論文  参考訳（メタデータ） (2020-09-06T06:13:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。