Ensemble Few-Shot Learning
Ensemble Few-Shot Learning kombinerar flera few-shot-modeller — såsom prototypsnätverk eller inbäddningsinlärningsmodeller — för att klassificera nya klasser från endast ett fåtal märkta exempel. Genom att upprätthålla mångfald bland basinlärningsmodellerna och aggregera deras prediktioner, överträffar ensemblemodellen konsekvent någon enskild few-shot-modell i noggrannhet och robusthet, särskilt vid allvarlig brist på etiketter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/sv/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.
- BoostingMaskininlärning↔ compare
- Few-shot LearningMaskininlärning↔ compare
- Semi-övervakad Fåskotts-inlärningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
- RöstningsensembleMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →