ICLRMay, 2018

学习传播标签：一种用于少样本学习的转导传播网络

PDF
TL;DR本文提出了一种新的元学习方法 —— 传导传播网络（TPN），用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法，并在多个基准数据集上验证了其表现，结果表明 TPN 在有标签数量较少的情况下表现出色，取得最先进的结果。
few-shot learningmeta-learningtransductive inferencegraph constructionstate-of-the-art results
发现论文，激发创造
  • 图元学习中的传播学习

    本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

    Sep, 2019

  • 基于类别图的弱监督少样本学习的原型传播网络 (PPN)

    本文介绍一种基于原型传播网络 (PPN) 的元学习方法来改善少样本分类任务的性能，该方法可以使用粗标签进行弱监督，通过原型在类别图上的传播来学习注意机制以实现不同少样本任务上的高准确率。

    May, 2019

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 自适应锚点标签传播用于转导式少样本学习

    在本论文中，我们提出了一种新的算法，通过在流形中优化标记数据的特征嵌入来最小化可微损失函数，从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用的 few-shot 基准数据集（miniImageNet，tieredImageNet，CUB 和 CIFAR-FS）和两个常用的主干网络（ResNet12 和 WideResNet-28-10）上提供了实验结果。该算法的源代码可在此 https URL 找到。

    Oct, 2023

  • 迭代图形精炼的基于原型的标签传播传导半监督学习

    本文提出了一种基于原型标签传播的图构建方法，并对小图片网络、分层图片网络、CIFAR-FS 和 CUB 数据集进行了实验，展示了该方法在转导式 FSL 和半监督 FSL 方面优于其他最先进的方法。

    Apr, 2023

  • 少样本节点分类的归纳线性探测

    本研究针对现有文献主要关注 transductive few-shot node classification，忽视了 broader few-shot learning community 中广泛研究的 inductive setting 的问题，提出了一个特定的 inductive few-shot node classification baseline 方法，并通过实证研究凸显当前框架的局限性，期望为更好地理解 meta-learning 范式在图领域中的作用提供新途径。

    Jun, 2023

  • 少样本学习的本地传播

    本研究介绍了局部传播的方法，通过建立图来传播自身和标签，同时在少量数据情况下具有传导推断的能力，从而可以提高准确性。

    Jan, 2021

  • 标签传播用于深度半监督学习

    本研究利用基于流形假设的传导标签传播方法，对整个数据集进行预测，并利用这些预测值为未标记数据生成伪标签，并训练深度神经网络。经实验证明，这种方法在几种数据集中相对于当前的最新技术表现更好，特别是在有限标志数量的情况下。

    Apr, 2019

  • 基于图原型网络的带属性网络小样本学习

    本文提出一种基于图元学习的框架，名为 GPN，用于在属性网络上进行少样本节点分类任务，经过大量实验证明 GPN 模型的优越性。

    Jun, 2020

  • 有限注释数据标签传播的深层度量迁移

    该论文提出了一个通用的框架，使用未标记的数据通过标签传播方法来增加训练数据，从而促进在目标识别、半监督学习、迁移学习和少样本学习等任务中的快速推广，并展示了标签传播方案在相似度度量从相关域转移的情况下非常有效。通过利用未标记数据提高各种任务的表现。

    Dec, 2018