自我训练学习用于半监督少样本分类

Jun, 2019

自我训练学习用于半监督少样本分类

Learning to Self-Train for Semi-Supervised Few-Shot Classification

Xinzhe Li, Qianru Sun, Yaoyao Liu, Shibao Zheng, Qin Zhou...

TL;DR本文提出了一种新颖的半监督元学习方法，称为学习自我训练（LST），通过使用无标签数据和元学习来自动加标和改进模型，取得了在 ImageNet 数据库上半监督 few-shot 分类领域中最新方法无法超越的良好分类效果。

Abstract

few-shot classification (FSC) is challenging due to the scarcity of labeled training data (e.g. only one labeled data point per class). meta-learning has shown to achieve promising results by learning to initiali

few-shot classification meta-learning semi-supervised learning self-training soft weighting network

发现论文，激发创造

LST: 基于词典引导的自训练在小样本文本分类中的应用

本文介绍了一种使用词汇表来指导伪标记机制的简单的自训练方法，即 LST。通过使用语言丰富的方式，我们不断优化词汇表来预测未见数据的置信度，从而更好地教授伪标签，实现了 5 个基准数据集每个类别 30 个标注样本的 1.0-2.0％的性能提高。

Feb, 2022

无监督自监督训练的小样本学习

本研究提出了一种基于自监督训练（UFLST）的无监督少样本学习方法，使用渐进聚类和情节训练进行训练以进一步优化数据的特征表示，并证明了该模型在几个基准数据集中的良好性能，包括 Omniglot 和 Mini-ImageNet。

Dec, 2019

无监督学习在少样本图像分类中的应用

本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。

Nov, 2019

元学习用于少样本时间序列分类

利用梯度元学习方法，以残差神经网络作为元学习代理来进行少样本时间序列分类问题的模型训练，实现在少量目标任务训练样本下对来自不同领域的目标任务进行快速预测，在 UCR TSC Archive 数据集中实现较强的表现。

Sep, 2019

自监督随机分类器用于少样本类别增量学习

本文提出一种自我监督的随机分类器（S3C），来解决少样本类增量学习中过拟合和灾难性遗忘的问题，并在三个基准数据集上进行了广泛的评估，表明所提出的框架的有效性。

Jul, 2023

增量自训练半监督学习

本研究提出了增量自训练（IST）用于半监督学习，通过在模型稳定后处理决策边界附近的数据，优化分类器性能，并在五个数据集和两种基础模型上验证，取得了显著的识别准确率和学习速度的提升，超越了现有最先进方法三个具有挑战性的图像分类任务。

Apr, 2024

半监督少样本分类的元学习

本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型 Prototypical Networks 和一种使用未标记数据的元学习算法来解实际问题，经过对 Omniglot、miniImageNet 和 ImageNet 进行实验，验证了这些算法可以使预测结果得到显著改进。

Mar, 2018

自监督原型转移学习用于少样本分类

本文提出了一种自监督的原型传递学习方法 ProtoTransfer，旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 ProtoTransfer 方法超越了最先进的无监督元学习方法。在存在领域偏移的少样本实验中，我们的方法甚至具有可比拟于监督方法的性能，但需要 orders of magnitude 较少的标签。

Jun, 2020

自监督类感知几 - shot 分类

本研究使用无标签数据进行自我监督的预训练，通过迭代聚类和重新排序，并通过扩展对比优化损失来纳入类别层次意识，以在下游分类任务中进行少样本微调。实验证明，该方法在标准和跨域场景下的性能均优于其他方法，并取得了最新的表现。

Feb, 2022

自我监督元学习用于少样本自然语言分类任务

本文提出了一种自监督的方法来生成大量的 meta-learning 任务分布，通过这种方法，将 transformer 模型的预训练与 meta-learning 相结合，证明了这种方法能够在 NLP 任务上实现更好的少样本泛化。

Sep, 2020