Apprendimento Semi-Supervisionato Few-Shot
L'apprendimento semi-supervisionato few-shot (SS-FSL) addestra modelli per classificare nuove classi da solo una manciata di esempi etichettati per classe, sfruttando contemporaneamente un pool di dati non etichettati per arricchire le rappresentazioni delle classi. Combinando episodi di meta-apprendimento con l'assegnazione di pseudo-etichette soft per campioni non etichettati, raggiunge un'accuratezza notevolmente superiore rispetto ai metodi puramente supervisionati few-shot quando sono disponibili dati non etichettati abbondanti.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/it/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.
- Few-shot LearningApprendimento automatico↔ compare
- Apprendimento AutocontrollatoApprendimento automatico↔ compare
- Apprendimento semi-supervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →