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

• Latest Advancements Towards Catastrophic Forgetting under Data Scarcity: A Comprehensive Survey on Few-Shot Class Incremental Learning [13.604908618597944]
  データ不足は継続的な学習問題を著しく複雑にする。 数ショットクラスの漸進的学習手法の最近の進歩は、問題への対処方法に関する洞察に富んだ知識を示している。 我々は,FSCILのオープンな課題,潜在的な解決策,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2025-02-12T07:39:44Z)
• 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)
• LSFSL: Leveraging Shape Information in Few-shot Learning [11.145085584637746]
  少ないショットの学習技術は、限られた経験から人間がどのように学習するかに似た、少ないサンプルを使用して、データの基盤となるパターンを学習しようとする。 この限定データシナリオでは、ショートカット学習やテクスチャバイアス行動など、ディープニューラルネットワークに関連する課題がさらに悪化する。 本研究では,データに含まれる暗黙的な事前情報を利用して,より一般化可能な特徴を学習するためにモデルを強制するLSFSLを提案する。
  論文  参考訳（メタデータ） (2023-04-13T16:59:22Z)
• 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)
• A Framework of Meta Functional Learning for Regularising Knowledge Transfer [89.74127682599898]
  本研究では,データ豊富なタスクから一般化可能な関数型モデルをメタ学習することで,メタ関数型学習(MFL)の新たなフレームワークを提案する。 MFLは、限定ラベル付きデータに対する機能訓練が学習すべきより差別的な機能を促進することにより、異なる学習タスクに一般化可能な機能正規化に関するメタ知識を計算する。
  論文  参考訳（メタデータ） (2022-03-28T15:24:09Z)
• A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
  少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。 本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
  論文  参考訳（メタデータ） (2021-10-21T13:25:52Z)
• Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
  半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。 重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。 GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
  論文  参考訳（メタデータ） (2021-02-26T05:11:09Z)
• 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。