Fåskottlärande

Fåskottlärande är ett område inom maskininlärning där en modell ska generalisera till nya uppgifter med mycket få märkta exempel per klass. Antalet exempel per klass k kallas ofta för k-shot. Målet är att snabbt uppnå användbar prestanda på nya kategorier utan omfattande nyinlärning.

Historik och begrepp: Begreppet stärktes av forskning inom meta-lärning och episodisk träning under 2010-talet. Viktiga milstolpar inkluderar användningen av Siamese- och matchningsbaserade nätverk, prototypiska nätverk och optimeringsbaserade metoder som MAML, vilka alla syftar till snabb anpassning till nya uppgifter.

Metoder: Fåskottlärande domineras av tre huvudstrategier: (1) metrisk/ representationsbaserad metodik som lär avstånd mellan exempel och klassprototyper; (2) optimeringsbaserade metoder som tränar initiala parametrar för snabb iterativ uppdatering; (3) meta-lärning och dataförvärvande strategier som förbättrar representationer via episodisk träning och snabb anpassning.

Användningar: bildklassificering, textklassificering, robotik och medicinsk bildanalys där stora mängder märkt data saknas eller är kostsamt att samla in.

Utmaningar inkluderar överförbarhet till nya domäner, risk för överanpassning med få exempel, variationer i uppgifter och klasser, samt höga krav på beräkningar vid episodisk träning och utvärdering.

Se även: meta-lärning, överföringsinlärning, zero-shot learning, episodisk träning, prototypiska nätverk, MAML.