В чем основные различия между zero-shot, one-shot и few-shot методами обучения?

Некоторые основные различия между zero-shot, one-shot и few-shot методами обучения:

1. Количество обучающих примеров: www.geeksforgeeks.org

• Zero-shot (нулевой выстрел) — запрос без примеров. developers.sber.ru Нейросеть должна догадаться, что от неё требуется, опираясь исключительно на свои общие знания, полученные при первоначальном обучении. developers.sber.ru
• One-shot (один выстрел) — один пример для подсказки. developers.sber.ru Модель получает один пример, чтобы задать нужный формат или направление мысли. developers.sber.ru
• Few-shot (несколько выстрелов) — максимум контекста. developers.sber.ru Нейросети предоставляют несколько разнообразных примеров для достижения максимальной точности и строгого следования шаблону. developers.sber.ru

1. Подход к обучению: www.geeksforgeeks.org

• Zero-shot — использование семантических представлений или атрибутов для вывода свойств невидимых классов. www.geeksforgeeks.org Модель использует описания или вложения, чтобы связать новые классы с известными. www.geeksforgeeks.org
• One-shot — использование методов на основе сходства, таких как сиамские сети или прототипические сети, для классификации новых примеров путём сравнения их с предоставленным одним примером. www.geeksforgeeks.org
• Few-shot — применение техник метаобучения, таких как модель-агностическое метаобучение (MAML), для быстрой адаптации к новым классам с минимальным количеством примеров. www.geeksforgeeks.org Модель учится эффективно учиться на нескольких примерах. www.geeksforgeeks.org

1. Требования к обучающим данным: www.geeksforgeeks.org

• Zero-shot — не требует обучающих примеров для новых классов, полагается на косвенную информацию для предсказания. www.geeksforgeeks.org
• One-shot — требует ровно одного примера для каждого нового класса на этапе оценки. www.geeksforgeeks.org
• Few-shot — нуждается в небольшом, но достаточном количестве примеров для каждого нового класса для обучения модели. www.geeksforgeeks.org

1. Области применения: www.geeksforgeeks.org

• Zero-shot — полезно, когда нецелесообразно получать примеры для новых классов, например, в классификации изображений с невидимыми категориями или задачах NLP с новыми понятиями. www.geeksforgeeks.org
• One-shot — идеально для сценариев, где доступен только один пример, например, распознавание лиц с ограниченными фотографиями или обнаружение редких заболеваний с минимальными данными. www.geeksforgeeks.org
• Few-shot — эффективен для широкого круга задач, где требуется предсказуемость и точность, например, классификация текста, форматирование и структурирование. developers.sber.ru