Semi-supervised Few-shot Learning
Semi-supervised Few-shot Learning (SS-FSL) traint modellen om nieuwe klassen te classificeren op basis van slechts een handvol gelabelde voorbeelden per klasse, terwijl tegelijkertijd gebruik wordt gemaakt van een pool van ongelabelde gegevens om klasse-representaties te verrijken. Door meta-learning-episoden te combineren met soft pseudo-label toewijzing voor ongelabelde samples, wordt een merkbaar hogere nauwkeurigheid bereikt dan met puur gesuperviseerde few-shot methoden wanneer er voldoende ongelabelde gegevens beschikbaar 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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/nl/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 LearningMachine learning↔ compare
- Zelf-gesuperviseerd LerenMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →