یادگیری چند نمونهای ترکیبی
یادگیری چند نمونهای ترکیبی، چندین مدل چند نمونهای را — مانند شبکههای نمونهای (prototypical networks) یا یادگیرندههای نمایش (embedding learners) — برای طبقهبندی کلاسهای جدید از تنها یک یا تعداد انگشتشماری مثال برچسبدار ترکیب میکند. با اعمال تنوع در میان یادگیرندههای پایه و تجمیع پیشبینیهای آنها، این ترکیب بهطور مداوم از هر مدل چند نمونهای منفرد در دقت و استحکام، بهویژه تحت کمبود شدید برچسب، بهتر عمل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/fa/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.
- بوستینگیادگیری ماشین↔ compare
- یادگیری چند نمونهای (Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری نیمهنظارتشده با دادههای کم (Semi-supervised Few-shot Learning)یادگیری ماشین↔ compare
- یادگیری انتقالییادگیری ماشین↔ compare
- مجموعه رأیگیرییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →