เปรียบเทียบวิธี

	การเรียนรู้แบบน้อยตัวอย่างด้วยการรวมแบบจำลอง (Ensemble Few-Shot Learning)	Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019	1990–1997
ผู้ริเริ่ม	Dvornik, N., Schmid, C., & Mairal, J.	Schapire, R. E.; Freund, Y.
ประเภท	Ensemble of few-shot learners	Sequential ensemble (iterative reweighting)
แหล่งต้นตำรับ	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.	Freund, Y. & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119–139.
ชื่อเรียกอื่น	ensemble few-shot classification, multi-model few-shot learning, few-shot ensemble, cooperative few-shot ensemble	AdaBoost, gradient boosting, iterative reweighting ensemble, sequential ensemble
ที่เกี่ยวข้อง	5	6
สรุป	Ensemble Few-Shot Learning combines multiple few-shot models — such as prototypical networks or embedding learners — to classify new classes from only one to a handful of labeled examples. By enforcing diversity among base learners and aggregating their predictions, the ensemble consistently outperforms any single few-shot model in accuracy and robustness, especially under severe label scarcity.	Boosting is a sequential ensemble technique that converts many simple, barely-better-than-chance learners into a single highly accurate model by repeatedly focusing training on the examples that previous learners got wrong, then combining all learners with weights proportional to their individual accuracy.