Aprendizaje con Pocos Ejemplos
El aprendizaje con pocos ejemplos (few-shot learning) es un paradigma de aprendizaje automático que entrena modelos para reconocer nuevas clases o resolver nuevas tareas a partir de solo un puñado de ejemplos etiquetados —típicamente de uno a cinco— aprovechando el conocimiento previo adquirido de una gran distribución de entrenamiento relacionada. Es especialmente relevante en dominios donde el etiquetado es costoso, escaso o estructuralmente limitado.
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.
+17 more
Fuentes
- Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/es/machine-learning/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.
- Aprendizaje métricoAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →