Semi-supervised Few-shot Learning
Semi-supervised Few-shot Learning (SS-FSL) trener modeller til å klassifisere nye klasser fra kun en håndfull merkede eksempler per klasse, samtidig som den utnytter en mengde umerkede data for å berike klasserepresentasjonene. Ved å kombinere meta-læringsepisoder med myk pseudo-etiketttildeling for umerkede prøver, oppnår den betydelig høyere nøyaktighet enn rent veiledede få-skudds-metoder når rikelig med umerkede data er tilgjengelige.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/no/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.
- Få-skudds læringMaskinlæring↔ compare
- Selv-supervisert læringMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
- OverføringslæringMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →