Aprendizagem Semi-supervisionada de Poucos Exemplos
A Aprendizagem Semi-supervisionada de Poucos Exemplos (SS-FSL) treina modelos para classificar novas classes a partir de apenas um punhado de exemplos rotulados por classe, ao mesmo tempo que utiliza um conjunto de dados não rotulados para enriquecer as representações das classes. Ao combinar episódios de meta-aprendizagem com atribuição de pseudo-rótulos suaves para amostras não rotuladas, atinge uma precisão notavelmente maior do que métodos puramente supervisionados de poucos exemplos quando dados não rotulados abundantes estão disponíveis.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Few-shot Learning (SS-FSL). ScholarGate. https://scholargate.app/pt/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.
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →