few-shot-learning

Học chuyển移 / thích ứng miền / tổng quát hóa miền / học đa nhiệm, v.v. Các bài báo, mã nguồn, tập dữ liệu, ứng dụng, hướng dẫn.

22 kỹ thuật prompt engineering với các hướng dẫn thực hành qua Jupyter Notebook, từ các khái niệm cơ bản đến chiến lược nâng cao để khai thác LLM.

Kho lưu trữ này chứa các tài nguyên được tuyển chọn thủ công về Prompt Engineering với trọng tâm là Generative Pre-trained Transformer (GPT), ChatGPT, PaLM, v.v.

Bộ sưu tập các tài liệu tuyệt vời về thích ứng miền (domain adaptation)

Tổng hợp các bài báo về Prompt và LLM, dữ liệu và mô hình mã nguồn mở, các ứng dụng AIGC

Học ít mẫu (few-shot learning) hiệu quả với Sentence Transformers

FSL-Mate: Bộ sưu tập tài nguyên về few-shot learning (FSL).

[pip install medmnist] 18 Tập dữ liệu chuẩn hóa cho phân loại hình ảnh y生物 học 2D và 3D

Mã nguồn sẵn sàng sử dụng và notebook hướng dẫn giúp bạn nhanh chóng tiếp cận học ít mẫu (few-shot learning) cho việc phân loại hình ảnh.

[TPAMI 2023] LibFewShot: Thư viện toàn diện cho Few-shot Learning.

Các bài báo tuyệt vời về Trích xuất thông tin (IE) tạo sinh sử dụng Large Language Models (LLMs)

Các LLM có thể tạo phản hồi về công việc của chính chúng, sử dụng phản hồi đó để cải thiện kết quả đầu ra và lặp lại quy trình này một cách tuần hoàn.

Danh sách tổng hợp các phương pháp học prompt/adapter tuyệt vời cho các mô hình ngôn ngữ thị giác như CLIP.

Triển khai TensorFlow và PyTorch cho "Meta-Transfer Learning for Few-Shot Learning" (CVPR2019)

Hợp nhất mô hình trong LLM, MLLM và hơn thế nữa: Phương pháp, lý thuyết, ứng dụng và cơ hội. ACM Computing Surveys, 2026.

Meta-Learning với Tối ưu hóa lồi khả vi (CVPR 2019 Oral).