การเรียนรู้แบบน้อยตัวอย่างด้วยการรวมแบบจำลอง (Ensemble Few-Shot Learning)
การเรียนรู้แบบน้อยตัวอย่างด้วยการรวมแบบจำลอง (Ensemble Few-Shot Learning) เป็นการรวมแบบจำลองแบบน้อยตัวอย่าง (few-shot models) หลายๆ แบบเข้าด้วยกัน เช่น เครือข่ายต้นแบบ (prototypical networks) หรือตัวเรียนรู้การฝัง (embedding learners) เพื่อจำแนกประเภทใหม่จากตัวอย่างที่มีป้ายกำกับเพียงหนึ่งถึงไม่กี่ตัวอย่าง การบังคับให้เกิดความหลากหลายระหว่างตัวเรียนรู้พื้นฐานและการรวมการทำนายของพวกมัน ทำให้แบบจำลองรวมมีประสิทธิภาพเหนือกว่าแบบจำลองน้อยตัวอย่างเดี่ยวๆ อย่างสม่ำเสมอ ทั้งในด้านความแม่นยำและความทนทาน โดยเฉพาะอย่างยิ่งภายใต้ข้อจำกัดด้านป้ายกำกับที่เข้มงวด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Ensemble Methods for Few-Shot Learning. ScholarGate. https://scholargate.app/th/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.
- Boostingการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบน้อยตัวอย่างการเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบกึ่งกำกับดูแลด้วยตัวอย่างน้อย (Semi-supervised Few-shot Learning)การเรียนรู้ของเครื่อง↔ compare
- การเรียนรู้แบบถ่ายโอนการเรียนรู้ของเครื่อง↔ compare
- การรวมแบบลงคะแนนการเรียนรู้ของเครื่อง↔ compare