L'apprendimento generativo meta-continuo consente la classificazione di parole parlate con pochi esempi su 1000 classi

Uno studio recente disponibile su arXiv (2605.13075) rivela che un classificatore di parole parlate può imparare efficacemente a distinguere tra 1000 categorie con solo cinque esempi per categoria. Utilizzando l'algoritmo di Apprendimento Generativo Meta-Continuo (GeMCL), i ricercatori hanno valutato il loro modello rispetto a baseline sottoposte a training o fine-tuning ripetuti. I risultati hanno mostrato che GeMCL ha ottenuto prestazioni notevolmente consistenti, rivaleggiando con quelle di un modello HuBERT statico abbinato a una testa di classificatore addestrata ripetutamente, adattandosi 2000 volte più velocemente e richiedendo meno della metà dei dati. Questa ricerca sottolinea il potenziale per espandere la classificazione di parole parlate con pochi esempi a insiemi di classi più ampi.