Ensemble Few-Shot Learning
Ensemble Few-Shot Learning yhdistää useita vähän dataa hyödyntäviä malleja – kuten prototyyppiverkkoja tai upotusoppijoita – luokittelemaan uusia luokkia vain yhdestä tai muutamasta merkitystä sisältävästä esimerkistä. Perusoppijoiden välisen monimuotoisuuden varmistamisella ja niiden ennusteiden yhdistämisellä ensemble ylittää johdonmukaisesti minkä tahansa yksittäisen vähän dataa hyödyntävän mallin tarkkuudessa ja robustisuudessa, erityisesti vakavan merkintäpuutteen olosuhteissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/fi/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.
- BoostingKoneoppiminen↔ compare
- Few-shot LearningKoneoppiminen↔ compare
- Puoliohjautuva vähäesimerkin oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
- Ääniennuste (Voting Ensemble)Koneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →