Ensemble Few-Shot Learning
Ensemble Few-Shot Learning kombiniert mehrere Few-Shot-Modelle – wie prototypische Netzwerke oder Embedding-Lerner – um neue Klassen anhand von nur einem bis wenigen gelabelten Beispielen zu klassifizieren. Durch die Erzwingung von Diversität unter den Basis-Lernern und die Aggregation ihrer Vorhersagen übertrifft das Ensemble konsistent jedes einzelne Few-Shot-Modell in Bezug auf Genauigkeit und Robustheit, insbesondere bei starker Label-Knappheit.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/de/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.
- BoostingMaschinelles Lernen↔ compare
- Few-Shot LearningMaschinelles Lernen↔ compare
- Semi-supervidiertes Wenig-Schuss-LernenMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →