Semi-supervidiertes Wenig-Schuss-Lernen
Semi-supervidiertes Wenig-Schuss-Lernen (SS-FSL) trainiert Modelle, um neue Klassen anhand weniger gelabelter Beispiele pro Klasse zu klassifizieren, während gleichzeitig ein Pool ungelabelter Daten genutzt wird, um die Klassendarstellungen zu bereichern. Durch die Kombination von Meta-Lern-Episoden mit weicher Pseudo-Label-Zuweisung für ungelabelte Stichproben erzielt es eine deutlich höhere Genauigkeit als rein supervidierte Wenig-Schuss-Methoden, wenn reichlich ungelabelte Daten verfügbar sind.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/de/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.
- Few-Shot LearningMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →