ترجمه فارسی مقاله به سوی یادگیری چند شات در جهان باز: مروری و فراتر از آن

چکیده

Human intelligence is characterized by our ability to absorb and apply knowledge from the world around us, especially in rapidly acquiring new concepts from minimal examples, underpinned by prior knowledge. Few-shot learning (FSL) aims to mimic this capacity by enabling significant generalizations and transferability. However, traditional FSL frameworks often rely on assumptions of clean, complete, and static data, conditions that are seldom met in real-world environments. Such assumptions falter in the inherently uncertain, incomplete, and dynamic contexts of the open world. This paper presents a comprehensive review of recent advancements designed to adapt FSL for use in open-world settings. We categorize existing methods into three distinct types of open-world few-shot learning: those involving varying instances, varying classes, and varying distributions. Each category is discussed in terms of its specific challenges and methods, as well as its strengths and weaknesses. We standardize experimental settings and metric benchmarks across scenarios, and provide a comparative analysis of the performance of various methods. In conclusion, we outline potential future research directions for this evolving field. It is our hope that this review will catalyze further development of effective solutions to these complex challenges, thereby advancing the field of artificial intelligence.

چکیده به فارسی (ترجمه ماشینی)

هوش بشر با توانایی ما در جذب و استفاده از دانش از دنیای اطراف ما ، به ویژه در دستیابی سریع مفاهیم جدید از حداقل نمونه ها ، که تحت تأثیر دانش قبلی است ، مشخص می شود.یادگیری چند شات (FSL) با هدف تقلید از این ظرفیت با امکان تعمیم قابل توجه و قابلیت انتقال.با این حال ، چارچوب های سنتی FSL اغلب به فرضیات داده های تمیز ، کامل و استاتیک متکی هستند ، شرایطی که به ندرت در محیط های دنیای واقعی روبرو می شوند.چنین فرضیاتی در زمینه های ذاتاً نامشخص ، ناقص و پویا از جهان آزاد فرو می رود.در این مقاله یک بررسی جامع از پیشرفت های اخیر طراحی شده برای تطبیق FSL برای استفاده در تنظیمات دنیای آزاد ارائه شده است.ما روشهای موجود را به سه نوع مجزا از یادگیری چند شات در دنیای باز طبقه بندی می کنیم: مواردی که شامل موارد مختلف ، کلاس های مختلف و توزیع های مختلف هستند.هر گروه از نظر چالش ها و روش های خاص و همچنین نقاط قوت و ضعف آن مورد بحث قرار می گیرد.ما تنظیمات تجربی و معیارهای متریک را در سناریوها استاندارد می کنیم و تجزیه و تحلیل مقایسه ای از عملکرد روشهای مختلف ارائه می دهیم.در پایان ، ما مسیرهای تحقیقاتی احتمالی آینده را برای این زمینه در حال تحول بیان می کنیم.امیدواریم که این بررسی باعث توسعه بیشتر راه حل های مؤثر برای این چالش های پیچیده شود و از این طریق زمینه هوش مصنوعی را پیش ببرد.