論文の概要: A Complete Survey on Contemporary Methods, Emerging Paradigms and Hybrid Approaches for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2402.03017v3
• Date: Fri, 24 Jan 2025 13:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:55:08.745365
• Title: A Complete Survey on Contemporary Methods, Emerging Paradigms and Hybrid Approaches for Few-Shot Learning
• Title（参考訳）: ファウショット学習のための現代的手法, 創発的パラダイム, ハイブリッドアプローチに関する全調査
• Authors: Georgios Tsoumplekas, Vladislav Li, Panagiotis Sarigiannidis, Vasileios Argyriou,
• 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）: 5.8497833718980345
• License:
• Abstract: Despite the widespread success of deep learning, its intense requirements for vast amounts of data and extensive training make it impractical for various real-world applications where data is scarce. In recent years, Few-Shot Learning (FSL) has emerged as a learning paradigm that aims to address these limitations by leveraging prior knowledge to enable rapid adaptation to novel learning tasks. Due to its properties that highly complement deep learning's data-intensive needs, FSL has seen significant growth in the past few years. This survey provides a comprehensive overview of both well-established methods as well as recent advancements in the FSL field. The presented taxonomy extends previously proposed ones by incorporating emerging FSL paradigms, such as in-context learning, along with novel categories within the meta-learning paradigm for FSL, including neural processes and probabilistic meta-learning. Furthermore, a holistic overview of FSL is provided by discussing hybrid FSL approaches that extend FSL beyond the typically examined supervised learning setting. The survey also explores FSL's diverse applications across various domains. 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が広く普及しているにもかかわらず、膨大な量のデータと広範なトレーニングに対する厳しい要求は、データが不足しているさまざまな現実世界のアプリケーションにとって実用的ではない。 近年、FSL(Few-Shot Learning)は、従来の知識を活用して新しい学習課題に迅速に適応させることによって、これらの制限に対処することを目的とした学習パラダイムとして登場している。 ディープラーニングのデータ集約的なニーズを補完する特性のため、FSLはここ数年で著しい成長を遂げている。 本調査は、FSL分野の最近の進歩と同様に、確立された手法の総合的な概要を提供する。 提案された分類法は、新しいFSLパラダイム、例えば文脈内学習を取り入れ、ニューラルプロセスや確率的メタラーニングを含むFSLのメタラーニングパラダイムに新しいカテゴリを組み込むことによって、これまで提案されていたものを拡張している。 さらに、FSLの総合的な概要は、FSLを通常検討された教師付き学習環境を超えて拡張するハイブリッドFSLアプローチについて議論することによって提供される。 この調査はまた、さまざまなドメインにわたるFSLの多様なアプリケーションについても調査している。 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。