Oct, 2019

少样本学习的归纳式分集自适应度量

PDF
TL;DR本文提出了一种 Transductive Episodic-wise Adaptive Metric (TEAM) 框架来解决 few-shot 学习中，如何通过集成元学习范式以及深度指标学习和传导推理来学习具有自适应度量能力的分类器。通过在每个任务内部探索配对约束和正则化先验，我们将适应过程显式地形式化为标准的半正定规划问题，并使用转导设置中的闭式解来解决该问题，并通过将注意力机制应用于双向相似性策略，提取查询和原型之间更可靠的关系，实验表明我们提出的方法在三个基准数据集上表现优于其他现有方法，并在少样本学习文献中实现了最先进的性能。
few-shot learningmeta-learningmetric learningtransductive inferencesemi-definite programming
发现论文，激发创造
  • 基于元度量学习的小样本学习

    本文提出一种基于元度量学习的学习方法，在 $k$-shot $N$-way 和多样化领域任务及灵活标签数量等新设置中均具有优异性能。

    Jan, 2019

  • 元学习在小样本学习中的置信度

    论文提出了一种用于 few-shot 学习中元学习置信度和距离度量的方法，以提高模型在未见任务上的传导推理性能，并在四个基准数据集上获得了最新的最优结果。

    Feb, 2020

  • Few-shot 学习的元学习方法：最新进展综述

    该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

    Mar, 2023

  • 一种基于 Epoch-wise 经验贝叶斯的集合方法用于少样本学习

    在少量样本学习中，本文通过元学习方法，提出了一种基于区间局部贝叶斯模型的集成学习算法。该算法对于训练集中所有数据进行了适应，介绍了四种超先验学习方法，并在三个难度较大的基准测试中取得了最佳表现。该算法的优点在于，它能够提高模型性能的效率和稳健性。

    Apr, 2019

  • 无情节的少样本学习任务选择

    通过选择无情节的任务并使用相似度作为选择标准进行元训练，可以在少样本学习任务中提高效果。

    Jan, 2024

  • TransMatch: 半监督少样本学习的迁移学习方案

    本文提出了一种新的半监督少样本学习的转移学习框架，用于充分利用标记基础分类数据和未标记新类数据的辅助信息，并基于该框架开发了一种称为 TransMatch 的新方法，通过 Imprinting 和 MixMatch 实例化三个组件，实验结果表明，该方法可以显著提高少样本学习任务的准确度。

    Dec, 2019

  • TADAM：基于任务的自适应度量，用于改善少样本学习

    本文提出任务依赖式的度量空间及端对端的优化方法，以改进 Few-shot learning 的性能并取得目前最佳实验效果。

    May, 2018

  • 自适应交叉模态少样本学习

    本文提出了一种机制，可以根据待学习的新图像类别自适应地从视觉和语义两方面结合信息，通过一系列实验表明，这种自适应组合可以在所有基准和 few-shot 情景上大幅优于当前单模态学习方法和模态对齐方法，特别是在少样本的情况下。

    Feb, 2019

  • 元转移学习用于少样本学习

    本篇论文提出了一种名为元转移学习的新型少样本学习方法，通过训练多个任务以及为每个任务学习深度神经网络权重的缩放和移位函数来实现迁移。作者使用提出的 HT 元批处理方案对 MiniImagenet 和 Fewshot-CIFAR100 这两个具有挑战性的少样本学习基准进行了实验，并将其与相关工作进行了广泛比较，结果验证了元转移学习方法的优越性和高准确性。

    Dec, 2018

  • 多度量参数下的多样化小样本文本分类

    提出了一种自适应度量学习方法，该方法能够从元训练任务中获得一组评估度量，并自动确定最佳加权组合，以捕捉自然语言领域中新的 few-shot 任务的复杂任务变化。在真实情感分析和对话意图分类数据集上进行了广泛的定量评估，结果表明所提出的方法在预测准确性方面表现优于现有的 few shot learning 算法。

    May, 2018