Apprentissage par ensemble à faible nombre d'exemples

L'apprentissage par ensemble à faible nombre d'exemples (Ensemble Few-Shot Learning) combine plusieurs modèles à faible nombre d'exemples — tels que les réseaux prototypiques ou les apprenants d'embeddings — pour classer de nouvelles classes à partir d'un nombre très limité d'exemples étiquetés. En imposant la diversité parmi les apprenants de base et en agrégeant leurs prédictions, l'ensemble surpasse systématiquement tout modèle unique à faible nombre d'exemples en termes de précision et de robustesse, en particulier en cas de pénurie sévère d'étiquettes.