Aprendizaje de pocas muestras regularizado
El aprendizaje de pocas muestras regularizado aumenta los flujos de trabajo estándar de aprendizaje de pocas muestras con mecanismos de regularización explícitos — como decaimiento de pesos, dropout, aumento de datos, suavizado de etiquetas o restricciones de variedad — para reducir el sobreajuste a los pequeños conjuntos de soporte que definen cada episodio. Esto produce modelos más generalizables cuando solo se dispone de uno a treinta ejemplos etiquetados por clase.
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
- Chen, W., Liu, Y., Kira, Z., Wang, Y. F., & Huang, J. (2019). A Closer Look at Few-Shot Classification. International Conference on Learning Representations (ICLR). link ↗
- Tian, Y., Wang, Y., Krishnan, D., Tenenbaum, J. B., & Isola, P. (2020). Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? European Conference on Computer Vision (ECCV). link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Few-Shot Learning (Regularization-Enhanced Meta-Learning). ScholarGate. https://scholargate.app/es/machine-learning/regularized-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 con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje por Transferencia RegularizadoAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Aprendizaje Semi-supervisado de Pocas MuestrasAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →