Ensemble Methods for Few-Shot Learning

Few-shot learning er allerede vanskelig: modellen må generalisere fra bare ett til tjue merkede eksempler per klasse. En enkelt modell er skjør under slik mangel på merkelapper fordi små endringer i støttesettet kan forskyve prediksjonene dramatisk. Et ensemble fordeler denne skjørheten: hver basemodell ser problemet fra en litt annen vinkel — gjennom forskjellige embeddings, initialiseringer eller augmentasjonspolicyer — og deres uenigheter kanselleres ut når prediksjoner gjennomsnittsberegnes. Resultatet er en langt mer stabil og nøyaktig klassifikator uten å kreve ytterligere merkede data.