Ensemble učení z malého počtu příkladů
Ensemble Few-Shot Learning kombinuje více modelů pro učení z malého počtu příkladů (few-shot learning) — jako jsou prototypové sítě nebo učící se reprezentace — pro klasifikaci nových tříd z pouhého jednoho až několika málo označených příkladů. Vynucením diverzity mezi základními učícími moduly a agregací jejich predikcí dosahuje ensemble konzistentně vyšší přesnosti a robustnosti než jakýkoli jednotlivý few-shot model, zejména při silném nedostatku označených dat.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Dvornik, N., Schmid, C., & Mairal, J. (2019). Diversity with Cooperation: Ensemble Methods for Few-Shot Classification. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pp. 3716–3725. link ↗
- Wang, Y., Yao, Q., Kwok, J. T., & Ni, L. M. (2020). Generalizing from a Few Examples: A Survey on Few-Shot Learning. ACM Computing Surveys, 53(3), 1–34. DOI: 10.1145/3386252 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-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.
- ZesilováníStrojové učení↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Polosupervizované učení s malým počtem příkladůStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
- Hlasovací ansámblStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →