Ensemble Few-Shot Learning
Ensemble Few-Shot Learning apvieno vairākus nelielu paraugu mācīšanās modeļus — piemēram, prototipiskus tīklus vai iegulšanas metodes — lai klasificētu jaunas klases, izmantojot tikai vienu līdz dažus iezīmētus piemērus. Nodrošinot dažādību starp bāzes modeļiem un apvienojot to prognozes, ansamblis konsekventi pārsniedz jebkuru atsevišķu nelielu paraugu mācīšanās modeli precizitātē un robustumā, īpaši stingras datu trūkuma apstākļos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/lv/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.
- PastiprināšanaMašīnmācīšanās↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Daļēji uzraudzīta maz-paraugu mācīšanāsMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
- Balsošanas ansamblisMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →