Ensemble Few-Shot Learning
Ensemble Few-Shot Learning kombinuje viacero few-shot modelov — ako sú prototypové siete alebo vkladaní učitelia — na klasifikáciu nových tried iba z jedného až niekoľkých označených príkladov. Vynucovaním diverzity medzi základnými učiteľmi a agregovaním ich predikcií, ensemble konzistentne prekonáva akýkoľvek jednotlivý few-shot model v presnosti a robustnosti, najmä pri silnom nedostatku označení.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/sk/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.
- BoostingStrojové učenie↔ compare
- Few-shot LearningStrojové učenie↔ compare
- Polosupervizované učenie s malým počtom príkladovStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
- Hlasovacie zoskupenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →