Few-shot automatic deep learning

Abstract

This work tries to reduce the need for annotated data to design and train reasonably high performing neural networks for a given problem by using so-called few-shot learning, in combination with other techniques to further reduce the need for a big, diverse, and preferably well-designed dataset, thus extending the range of use cases for deep learning techniques. Such models could also be used to help in annotation efforts.

Această lucrare încearcă să reducă nevoia de date adnotate pentru a proiecta și a antrena rețele neuronale cu performanțe rezonabile pentru o anumită problemă, utilizând așa-numita învățare cu puține exemple, în combinație cu alte tehnici pentru a reduce în continuare nevoia de un set de date mare, bine conceput, și divers, extinzând astfel gama de cazuri de utilizare pentru tehnici de învățare aprofundată. Astfel de modele ar putea fi folosite și pentru a ajuta la eforturile de adnotare.