Aprendizaje de pocos ejemplos en conjunto
El aprendizaje de pocos ejemplos en conjunto combina múltiples modelos de pocos ejemplos — como redes prototípicas o aprendices de incrustación — para clasificar nuevas clases a partir de solo uno o un puñado de ejemplos etiquetados. Al imponer diversidad entre los aprendices base y agregar sus predicciones, el conjunto supera consistentemente a cualquier modelo individual de pocos ejemplos en precisión y robustez, especialmente bajo una severa escasez de etiquetas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Aprendizaje con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje Semi-supervisado de Pocas MuestrasAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
- Ensamble de votaciónAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →