論文の概要: A Comprehensive Survey of Challenges and Opportunities of Few-Shot Learning Across Multiple Domains

• arxiv url: http://arxiv.org/abs/2504.04017v1
• Date: Sat, 05 Apr 2025 01:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:30.840225
• Title: A Comprehensive Survey of Challenges and Opportunities of Few-Shot Learning Across Multiple Domains
• Title（参考訳）: 複数の領域にまたがるFew-Shot学習の課題と機会に関する包括的調査
• Authors: Andrea Gajic, Sudip Vhaduri,
• Abstract要約: 新しいドメインが常に発見され、マシンラーニング(ML)が毎日新しいタスクを自動化するような世界では、MLモデルのトレーニングに利用可能なサンプルの数によって問題が発生する。 多くの利用可能なサンプルを持つ大規模なデータセットを見つけることは、必ずしも簡単ではなく、プロセスに時間がかかります。 本稿では,主要領域にまたがるいくつかのアプローチの課題と機会について述べる。
• 参考スコア（独自算出の注目度）: 0.7366405857677226
• License:
• Abstract: In a world where new domains are constantly discovered and machine learning (ML) is applied to automate new tasks every day, challenges arise with the number of samples available to train ML models. While the traditional ML training relies heavily on data volume, finding a large dataset with a lot of usable samples is not always easy, and often the process takes time. For instance, when a new human transmissible disease such as COVID-19 breaks out and there is an immediate surge for rapid diagnosis, followed by rapid isolation of infected individuals from healthy ones to contain the spread, there is an immediate need to create tools/automation using machine learning models. At the early stage of an outbreak, it is not only difficult to obtain a lot of samples, but also difficult to understand the details about the disease, to process the data needed to train a traditional ML model. A solution for this can be a few-shot learning approach. This paper presents challenges and opportunities of few-shot approaches that vary across major domains, i.e., audio, image, text, and their combinations, with their strengths and weaknesses. This detailed understanding can help to adopt appropriate approaches applicable to different domains and applications.
• Abstract（参考訳）: 新しいドメインが常に発見され、マシンラーニング(ML)が毎日新しいタスクを自動化するような世界では、MLモデルのトレーニングに利用可能なサンプルの数によって問題が発生する。 従来のMLトレーニングはデータボリュームに大きく依存するが、多くの有用なサンプルを持つ大規模なデータセットを見つけることは、必ずしも簡単ではない。 例えば、新型コロナウイルス(COVID-19)などの新たなヒト感染性疾患が出現し、すぐに診断が急上昇し、感染した個人が感染拡大を封じ込めるために健康な人から素早く隔離された場合、機械学習モデルを使用してツールや自動化を作成する必要がある。 アウトブレイクの初期段階では、多くのサンプルを得るだけでなく、病気の詳細を理解することも難しく、従来のMLモデルのトレーニングに必要なデータを処理するのが困難である。 これに対する解決策は、数ショットの学習アプローチである。 本稿では,主要領域,すなわち音声,画像,テキスト,およびそれらの組み合わせにおいて,その長所と短所を兼ね備えた少数ショットアプローチの課題と機会について述べる。 この詳細な理解は、異なるドメインやアプリケーションに適用可能な適切なアプローチを採用するのに役立つ。

関連論文リスト

• Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks [2.912977051718473]
  シングルクラスモデリングとアウト・オブ・ディストリビューション検出への関心が高まっている。 完全な教師付き機械学習モデルは、トレーニングに含まれていないクラスを確実に識別することはできない。 我々は,複数の視覚的に識別可能な合成異常学習タスクを,トレーニングと検証の両方に利用している。
  論文  参考訳（メタデータ） (2023-07-03T09:52:54Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Time-based Self-supervised Learning for Wireless Capsule Endoscopy [1.3514953384460016]
  本研究は,無線内視鏡ビデオにおける自己教師あり学習の活用を提案する。 本研究では,時間軸から抽出した推定固有構造を用いることで,重度の不均衡下であっても,複数の領域固有のアプリケーションにおける検出率を向上させることを証明する。
  論文  参考訳（メタデータ） (2022-04-20T20:31:06Z)
• Learning from Few Examples: A Summary of Approaches to Few-Shot Learning [3.6930948691311016]
  Few-Shot Learningは、いくつかのトレーニングサンプルからデータの基本パターンを学習する問題を指す。 ディープラーニングソリューションは、データ飢餓と、膨大な計算時間とリソースに悩まされている。 機械学習アプリケーション構築のターンアラウンド時間を劇的に短縮できるようなショットラーニングは、低コストのソリューションとして現れます。
  論文  参考訳（メタデータ） (2022-03-07T23:15:21Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• FLUID: A Unified Evaluation Framework for Flexible Sequential Data [42.44973069520298]
  我々は新しい統合評価フレームワーク、FLUID(Flexible Sequential Data)を導入する。 FLUIDは、少数ショット、継続、転送、表現学習の目的を統合している。 我々は、現在のソリューションの利点と限界に関する新たな洞察をもたらす、幅広い手法の実験を行う。
  論文  参考訳（メタデータ） (2020-07-06T04:31:54Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。