Pembelajaran Sifar-Tanggungan Berenjak
Pembelajaran Sifar-Tanggungan Berenjak (Ensemble Few-Shot Learning) menggabungkan pelbagai model sifar-tanggungan berenjak — seperti rangkaian prototaip atau pembelajar jelmaan — untuk mengklasifikasi kelas baharu daripada hanya satu hingga segelintir contoh berlabel. Dengan menguatkuasakan kepelbagaian antara pembelajar asas dan menggabungkan ramalan mereka, ensembel secara konsisten mengatasi mana-mana satu model sifar-tanggungan berenjak tunggal dalam ketepatan dan ketahanan, terutamanya di bawah kekurangan label yang teruk.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/ms/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.
- BoostingPembelajaran Mesin↔ compare
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Semi-supervised Few-shot LearningPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
- Ensembel UndianPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →