Semi-supervised Few-shot Learning (SS-FSL)

Bayangkan diminta untuk mengenal pasti spesies burung yang jarang ditemui selepas melihat hanya lima foto berlabel, tetapi anda juga mempunyai akses kepada ratusan imej burung yang tidak dikenal pasti dan tidak berlabel. Pembelajaran terhad contoh separuh selia mengeksploitasi kumpulan data tidak berlabel tersebut: ia menetapkan kebarangkalian lembut kepada setiap imej tidak berlabel, menggunakan penetapan kebarangkalian tersebut untuk menarik contoh tidak berlabel ke arah kelompok kelas berlabel yang paling serupa, dan kemudian menganggarkan semula pusat kelompok dengan bukti yang lebih kaya ini. Hasilnya ialah perwakilan setiap kelas yang lebih tajam dan berkedudukan lebih baik — membolehkan model mengklasifikasikan imej pertanyaan baharu dengan lebih tepat berbanding jika ia hanya bergantung pada lima contoh berlabel.