Few-shot learning: differenze tra le versioni
(Creata pagina con "L'apprendimento few-shot, nell'ambito dei modelli di deep learning, indica, alternativamente: - dsadas - dasdasddsa") |
Nessun oggetto della modifica |
||
| (8 versioni intermedie di 4 utenti non mostrate) | |||
| Riga 1: | Riga 1: | ||
{{Template concetto | |||
|NomeInglese=Few-shot learning | |||
}} | |||
- | L'apprendimento few-shot, nell'ambito dei modelli di deep learning, viene usato per indicare, alternativamente: | ||
- | |||
* la possibilità di fare [[fine-tuning]] su di un modello tramite pochi esempi annotati, per cui è un caso speciale di [[addestramento supervisionato]] | |||
* l'utilizzo di esempi direttamente nel [[prompt]] di un modello di linguaggio, che normalmente permette, in linguaggio naturale, di aumentare l'accuratezza nell'esecuzione del [[downstream task]] riepstto, per esempio, all'esecuzione [[zero-shot]] o [[one-shot]], in cui rispettivamente viene indicato solo l'obiettivo del task oppure viene fornito un solo esempio | |||
{{#seo: | |||
|title=Few-shot learning | |||
|title_mode=append | |||
|keywords=apprendimento automatico, deep learning, few-shot learning, fine-tuning, modelli di linguaggio, prompt, downstream task, zero-shot, one-shot | |||
|description=L'apprendimento few-shot è una tecnica di deep learning che permette di addestrare modelli con pochi esempi. Questo approccio, che può essere considerato un caso speciale di apprendimento supervisionato, si basa sull'utilizzo di esempi nel prompt di un modello di linguaggio, migliorando l'accuratezza nell'esecuzione di compiti specifici. | |||
}} | |||
Versione attuale delle 13:29, 17 ago 2024
| Few-shot learning | |
|---|---|
| Nome Inglese | Few-shot learning |
| Sigla | |
L'apprendimento few-shot, nell'ambito dei modelli di deep learning, viene usato per indicare, alternativamente:
- la possibilità di fare fine-tuning su di un modello tramite pochi esempi annotati, per cui è un caso speciale di addestramento supervisionato
- l'utilizzo di esempi direttamente nel prompt di un modello di linguaggio, che normalmente permette, in linguaggio naturale, di aumentare l'accuratezza nell'esecuzione del downstream task riepstto, per esempio, all'esecuzione zero-shot o one-shot, in cui rispettivamente viene indicato solo l'obiettivo del task oppure viene fornito un solo esempio