Aprendizaje Semi-supervisado de Pocas Muestras
El Aprendizaje Semi-supervisado de Pocas Muestras (SS-FSL, por sus siglas en inglés) entrena modelos para clasificar nuevas clases a partir de solo un puñado de ejemplos etiquetados por clase, al mismo tiempo que aprovecha un conjunto de datos no etiquetados para enriquecer las representaciones de las clases. Al combinar episodios de meta-aprendizaje con asignación de etiquetas pseudo-suaves para muestras no etiquetadas, logra una precisión notablemente mayor que los métodos puramente supervisados de pocas muestras cuando hay datos no etiquetados abundantes disponibles.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/es/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.
- Aprendizaje con Pocos EjemplosAprendizaje 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 →