論文の概要: Toward Green and Human-Like Artificial Intelligence: A Complete Survey
on Contemporary Few-Shot Learning Approaches
- arxiv url: http://arxiv.org/abs/2402.03017v1
- Date: Mon, 5 Feb 2024 13:55:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 15:57:53.214833
- Title: Toward Green and Human-Like Artificial Intelligence: A Complete Survey
on Contemporary Few-Shot Learning Approaches
- Title(参考訳): グリーンとヒューマンライクな人工知能を目指して--現代ファウショット学習アプローチの完全調査
- Authors: Georgios Tsoumplekas, Vladislav Li, Vasileios Argyriou, Anastasios
Lytos, Eleftherios Fountoukidis, Sotirios K. Goudos, Ioannis D. Moscholios,
Panagiotis Sarigiannidis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.078001259817318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite deep learning's widespread success, its data-hungry and
computationally expensive nature makes it impractical for many data-constrained
real-world applications. Few-Shot Learning (FSL) aims to address these
limitations by enabling rapid adaptation to novel learning tasks, seeing
significant growth in recent years. This survey provides a comprehensive
overview of the field's latest advancements. Initially, FSL is formally
defined, and its relationship with different learning fields is presented. A
novel taxonomy is introduced, extending previously proposed ones, and
real-world applications in classic and novel fields are described. Finally,
recent trends shaping the field, outstanding challenges, and promising future
research directions are discussed.
- Abstract(参考訳): ディープラーニングの広範な成功にもかかわらず、そのデータにハングリーで計算コストの高い性質は、多くのデータに訓練された実世界のアプリケーションでは実用的でない。
few-shot learning (fsl) は、新しい学習タスクへの迅速な適応を可能にすることで、これらの制限に対処することを目的としている。
この調査は、この分野の最新の進歩を概観するものである。
当初、FSLは正式に定義され、異なる学習分野との関係を示す。
従来提案されていたものを拡張した新しい分類法を導入し,古典分野や新分野における実世界応用について述べる。
最後に,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。
関連論文リスト
- 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) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual
Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文 参考訳(メタデータ) (2023-07-16T16:27:58Z) - Large-scale Pre-trained Models are Surprisingly Strong in Incremental
Novel Class Discovery [76.35226130521758]
我々は,MSc-iNCDという,より挑戦的で実践的な学習パラダイムを提案する。
本研究では,MSc-iNCDという,より困難で実践的な学習パラダイムを提案する。
論文 参考訳(メタデータ) (2023-03-28T13:47:16Z) - Label-efficient Time Series Representation Learning: A Review [20.36457975577015]
ラベル付きデータの不足は,実世界の時系列データにディープラーニングモデルを適用する上で,大きな課題のひとつだ。
移動学習、自己教師付き学習、半教師付き学習といったいくつかのアプローチは、最近、限られた時系列ラベルから深層学習モデルの学習能力を促進するために開発されている。
論文 参考訳(メタデータ) (2023-02-13T15:12:15Z) - Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文 参考訳(メタデータ) (2022-08-24T04:26:21Z) - A Comprehensive Survey of Few-shot Learning: Evolution, Applications,
Challenges, and Opportunities [5.809416101410813]
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。
論文 参考訳(メタデータ) (2022-05-13T16:24:35Z) - 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) - Deep Learning meets Liveness Detection: Recent Advancements and
Challenges [3.2011056280404637]
我々は,2017年以降の深部機能的FAS手法に関する文献を包括的に調査している。
本研究では,FASの時系列,進化過程,評価基準について概説する。
論文 参考訳(メタデータ) (2021-12-29T19:24:58Z) - Knowledge Enhanced Pretrained Language Models: A Compreshensive Survey [8.427521246916463]
事前学習型言語モデル(PLM)は,大規模テキストコーパス上で情報表現を学習することで,新たなパラダイムを確立した。
この新しいパラダイムは、自然言語処理の分野全体に革命をもたらし、さまざまなNLPタスクに対して、新しい最先端のパフォーマンスを設定した。
この問題に対処するため, PLM への知識統合は近年, 非常に活発な研究領域となり, 様々なアプローチが開発されている。
論文 参考訳(メタデータ) (2021-10-16T03:27:56Z) - 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。