Aprendizaje con Etiquetas Escasas

Es un paradigma de aprendizaje automático donde un modelo es entrenado para generalizar a partir de un número extremadamente limitado de ejemplos etiquetados.

Contrasta con los enfoques tradicionales que suelen requerir grandes cantidades de datos etiquetados para obtener un desempeño adecuado.

Suele implementarse en situaciones donde la obtención de datos etiquetados es costosa, complicada o inviable.

Este enfoque suele utilizar técnicas como el aprendizaje por transferencia, métodos bayesianos o modelos de aprendizaje profundo diseñados específicamente para extrapolar patrones con pocos ejemplos.

Es especialmente útil en aplicaciones como el reconocimiento de imágenes, procesamiento del lenguaje natural y sistemas de diagnóstico médico, donde los datos etiquetados pueden ser muy escasos.