Aprendizagem de Poucas Amostras por Ensemble
A Aprendizagem de Poucas Amostras por Ensemble combina múltiplos modelos de poucas amostras — como redes prototípicas ou aprendizes de incorporação — para classificar novas classes a partir de apenas um ou um punhado de exemplos rotulados. Ao impor diversidade entre os aprendizes base e agregar suas previsões, o ensemble supera consistentemente qualquer modelo individual de poucas amostras em precisão e robustez, especialmente sob severa escassez de rótulos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/pt/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.
- BoostingAprendizado de máquina↔ compare
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizagem Semi-supervisionada de Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
- Comitê de VotaçãoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →