Ensemble Methods for Few-Shot Learning
Few-shot learning is al moeilijk: het model moet generaliseren op basis van slechts één tot twintig gelabelde voorbeelden per klasse. Een enkel model is fragiel onder dergelijke schaarste aan labels, omdat kleine veranderingen in de support set zijn voorspellingen dramatisch kunnen verschuiven. Een ensemble verdeelt die fragiliteit: elke basislearner ziet het probleem vanuit een iets andere invalshoek — via verschillende embeddings, initialisaties of augmentatiebeleidslijnen — en hun meningsverschillen heffen elkaar op wanneer voorspellingen worden gemiddeld. Het resultaat is een veel stabielere en nauwkeurigere classificator zonder dat er extra gelabelde gegevens nodig zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/nl/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.
- BoostingMachine learning↔ compare
- Few-shot LearningMachine learning↔ compare
- Semi-supervised Few-shot LearningMachine learning↔ compare
- TransferlerenMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →