Машинное обучение на выборках малого объёма: синтез знаний

Машинное обучение становится всё более важной технологией, позволяющей справляться с растущей сложностью цифрового мира. Несмотря на то что мы живём в мире «больших данных», где в цифровом виде хранится практически всё, во многих реальных ситуациях исследователи по-прежнему работают с небольшими выборками. Цель настоящего библиометрического исследования синтеза знаний — ответить на вопрос: «В чём заключается проблема малых данных в машинном обучении и как её решают?» Анализ показал положительную динамику числа публикаций и существенное расширение исследовательского сообщества, что свидетельствует о приближении этой области к зрелости. Наиболее продуктивными странами оказались Китай, США и Великобритания. Несмотря на заметное международное сотрудничество, выявлена региональная концентрация публикационной активности в экономически более развитых странах. Тематический анализ позволил выделить четыре направления: снижение размерности при анализе сложных больших данных, методы аугментации данных в глубоком обучении, интеллектуальный анализ данных, а также статистическое обучение на небольших наборах данных.