کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Few-shot image classifiers are designed to recognize and classify new data with minimal supervision and limited data but often show reliance on spurious correlations between classes and spurious attributes, known as spurious bias. Spurious correlations commonly hold in certain samples and few-shot classifiers can suffer from spurious bias induced from them. There is an absence of an automatic benchmarking system to assess the robustness of few-shot classifiers against spurious bias. In this paper, we propose a systematic and rigorous benchmark framework, termed FewSTAB, to fairly demonstrate and quantify varied degrees of robustness of few-shot classifiers to spurious bias. FewSTAB creates few-shot evaluation tasks with biased attributes so that using them for predictions can demonstrate poor performance. To construct these tasks, we propose attribute-based sample selection strategies based on a pre-trained vision-language model, eliminating the need for manual dataset curation. This allows FewSTAB to automatically benchmark spurious bias using any existing test data. FewSTAB offers evaluation results in a new dimension along with a new design guideline for building robust classifiers. Moreover, it can benchmark spurious bias in varied degrees and enable designs for varied degrees of robustness. Its effectiveness is demonstrated through experiments on ten few-shot learning methods across three datasets. We hope our framework can inspire new designs of robust few-shot classifiers. Our code is available at https://github.com/gtzheng/FewSTAB.
چکیده به فارسی (ترجمه ماشینی)
طبقه بندی کننده های تصویر چند عکس برای تشخیص و طبقه بندی داده های جدید با حداقل نظارت و داده های محدود طراحی شده اند اما اغلب به همبستگی های فریبنده بین کلاس ها و ویژگی های مبهم ، معروف به تعصب فریبنده ، اعتماد به نفس نشان می دهند.همبستگی های فریبنده معمولاً در نمونه های خاصی وجود دارد و طبقه بندی کننده های چند شات می توانند از تعصب تحریک کننده ناشی از آنها رنج ببرند.عدم وجود یک سیستم معیار اتوماتیک برای ارزیابی استحکام طبقه بندی کننده های چند شات در برابر تعصب فریبنده وجود دارد.در این مقاله ، ما یک چارچوب معیار سیستماتیک و سخت به نام LewStab را پیشنهاد می کنیم تا درجات متنوعی از استحکام طبقه بندی کننده های چند عکس را به تعصب متنوع نشان داده و تعیین کنیم.LewStab کارهای ارزیابی چند شات را با ویژگی های مغرضانه ایجاد می کند به طوری که استفاده از آنها برای پیش بینی می تواند عملکرد ضعیفی را نشان دهد.برای ساخت این کارها ، ما استراتژی های انتخاب نمونه مبتنی بر ویژگی را بر اساس یک مدل از قبل آموزش دیده به زبان ارائه می دهیم و نیاز به درمان مجموعه داده های دستی را از بین می بریم.این اجازه می دهد تا با استفاده از هرگونه داده تست موجود ، به طور خودکار تعصب فریبنده را معیار کند.LewStab نتایج ارزیابی را در ابعاد جدید به همراه یک راهنمای جدید طراحی برای ایجاد طبقه بندی کننده های قوی ارائه می دهد.علاوه بر این ، این می تواند درجات متنوعی را درجات متنوعی معیار کند و برای درجات متنوع استحکام طراحی کند.اثربخشی آن از طریق آزمایشات روی ده روش یادگیری چند عکس در سه مجموعه داده نشان داده شده است.ما امیدواریم که چارچوب ما بتواند الهام بخش طرح های جدید طبقه بندی کننده های چند عکس است.کد ما در https://github.com/gtzheng/fewstab در دسترس است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
