Aprenentatge semi-supervisat amb pocs exemples
L'aprenentatge semi-supervisat amb pocs exemples (SS-FSL) entrena models per classificar noves classes a partir de només un grapat d'exemples etiquetats per classe, alhora que aprofita un conjunt de dades no etiquetades per enriquir les representacions de les classes. En combinar episodis de metaaprenentatge amb assignació suau de pseudo-etiquetes per a mostres no etiquetades, aconsegueix una precisió notablement més alta que els mètodes purament supervisats amb pocs exemples quan hi ha dades no etiquetades abundants disponibles.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Ren, M., Triantafillou, E., Ravi, S., Snell, J., Swersky, K., Tenenbaum, J. B., Larochelle, H., & Zemel, R. S. (2018). Meta-learning for semi-supervised few-shot classification. In International Conference on Learning Representations (ICLR 2018). link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-agnostic meta-learning for fast adaptation of deep networks. In Proceedings of the 34th International Conference on Machine Learning (ICML 2017), PMLR 70, 1126–1135. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/ca/machine-learning/semi-supervised-few-shot-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aprenentatge amb pocs exemplesAprenentatge automàtic↔ compare
- Aprenentatge autosupervisatAprenentatge automàtic↔ compare
- Aprenentatge semi-supervisatAprenentatge automàtic↔ compare
- Aprenentatge per transferènciaAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →