Az Ornekli Ogrenme (Few-Shot Learning)

Diger adlari: Few-Shot Learning, FSL, N-way K-shot Learning, Az Atisli Ogrenme

Kisa Tanim

Few-shot learning, her sinif icin yalnizca birkaç etiketli ornekle (tipik olarak 1-20) yeni gorevleri ogrenmeyi hedefleyen makine ogrenmesi paradigmasidir. Zero-shot (sifir ornek), one-shot (tek ornek) ve few-shot (birkaç ornek) olarak alt kategorilere ayrilir.

Teknik Mantik

Uc temel yaklasim vardir: (1) Metrik ogrenme (metric learning) — Siamese networks veya prototypical networks ile ornekler arasindaki benzerlik olculur; yeni ornek, en yakin sinif prototipine atanir. (2) Optimizasyon tabanli — MAML (Model-Agnostic Meta-Learning) birkaç gradyan adiminda yeni goreve hizla uyum saglayacak bir baslangic noktasi ogreniri. (3) Son katman fine-tuning — onceden egitilmis modelin yalnizca son siniflandirici katmani birkaç ornekle yeniden egitilir; en basit ve pratikte en yaygin yaklasim.

Kullanim Baglami

Etiketli veri toplamak pahali veya pratik olarak zor oldugu durumlarda uygulanir: nadir hastaliklar, yeni urun cesitleri, az ornekli diller. Domain adaptasyon arac kutusunun parcasidir.

Tarimsal Baglam

Tarimda yeni hastalik belirtileri, nadir zararlı turler veya bolgeye ozgu cesitler icin binlerce etiketli ornek toplamak genellikle mumkun degildir. Few-shot adaptasyonla, hedef domain'den 5-20 etiketli goruntu kullanilarak kontrollü ortamda egitilmis modelin tarla performansi %31'den %65-75 araligina yukseltilebilir. Ornegin PlantVillage modeli, 10-15 Siirt tarla goruntusüyle fine-tune edilerek bolgeye adapte edilebilir.

Sik Karistirilan Nokta

Few-shot learning ile transfer ogrenme farkli seylerdir. Transfer ogrenme hedef domain'de yuzlerce-binlerce ornek gerektirebilir; few-shot learning tasarim geregi cok az ornekle calisir. Ancak pratikte "son katman fine-tuning" her ikisinin kesisiminde yer alir ve terminoloji karisikliga neden olabilir.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi