Apprentissage semi-supervisé avec peu de données (Semi-supervised Few-shot Learning, SS-FSL)

L'apprentissage semi-supervisé avec peu de données (SS-FSL) entraîne des modèles à classifier de nouvelles classes à partir de seulement une poignée d'exemples étiquetés par classe, tout en exploitant simultanément un ensemble de données non étiquetées pour enrichir les représentations de classe. En combinant des épisodes de méta-apprentissage avec une attribution souple de pseudo-étiquettes pour les échantillons non étiquetés, il atteint une précision notablement plus élevée que les méthodes purement supervisées avec peu de données lorsque des données non étiquetées abondantes sont disponibles.