التعلم التمييزي ذو k-مثال باستخدام النماذج الاحتمالية

يقدم هذا البحث إطارًا احتماليًا لتصنيف الصور بـ k-صورة. الهدف هو تعميم المهمة التصنيفية الكبيرة الأولية إلى مهمة منفصلة تتكون من فئات جديدة وأمثلة قليلة. يعتمد النهج الجديد ليس فقط على التمثيل القائم على الخصائص الذي تعلمه الشبكة العصبية من المهمة الأولية (نقل التمثيل)، بل أيضًا على المعلومات حول الفئات (نقل المفهوم). يتم حبس معلومات المفهوم في نموذج احتمالي للأوزان في الطبقة النهائية للشبكة العصبية، والذي يعمل كسابقة لتعلم k-صورة الاحتمالي. نظهر أن حتى نموذج احتمالي بسيط يحقق أفضل النتائج الحالية بمقدار كبير على مجموعة بيانات قياسية لتعلم k-صورة. بالإضافة إلى ذلك، يمكنه نمذجة عدم اليقين بدقة، مما يؤدي إلى تصنيفات جيدة الت head_calibration (الترقيم)، وهو قابل للتوسع والمرن بسهولة، خلافًا للعديد من النهج الحديثة لتعلم k-صورة.请注意，"head_calibration" 是一个不太常见的术语，在这里我保留了英文标注以确保信息的完整性。在实际应用中，您可以根据上下文选择更合适的翻译。