few-shot-learning

Apprentissage par transfert, adaptation de domaine, généralisation de domaine, apprentissage multi-tâches, etc. Articles, codes, jeux de données, applications et tutoriels.

22 techniques de prompt engineering avec des tutoriels Jupyter Notebook pratiques, des concepts fondamentaux aux stratégies avancées pour exploiter les LLM.

Ce dépôt contient des ressources sélectionnées sur le Prompt Engineering, avec un accent sur Generative Pre-trained Transformer (GPT), ChatGPT, PaLM, etc.

Une collection de ressources exceptionnelles sur l'adaptation de domaine.

Résumé des articles sur les Prompts et les LLM, données et modèles open source, applications AIGC

Apprentissage few-shot efficace avec Sentence Transformers.

FSL-Mate : Une collection de ressources pour le few-shot learning (FSL).

[pip install medmnist] 18 jeux de données standardisés pour la classification d'images biomédicales 2D et 3D.

Code prêt à l'emploi et notebooks de tutoriel pour accélérer votre apprentissage du few-shot learning pour la classification d'images.

[TPAMI 2023] LibFewShot : une bibliothèque complète pour le Few-shot Learning.

Liste d'articles de référence sur l'extraction d'informations générative utilisant des grands modèles de langage (LLM).

Les LLM peuvent générer des retours sur leur propre travail, les utiliser pour améliorer le résultat et répéter ce processus de manière itérative.

Une liste organisée de méthodes d'apprentissage par prompt/adaptateur pour les modèles vision-langage comme CLIP.

Implémentation TensorFlow et PyTorch de "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)

Fusion de modèles dans les LLM, MLLM et au-delà : méthodes, théories, applications et opportunités. ACM Computing Surveys, 2026.

Méta-apprentissage avec optimisation convexe différentiable (CVPR 2019 Oral)