Mar, 2020

TAFSSL: 任务自适应特征子空间学习，用于小样本分类

PDF
TL;DR本文提出了一种名为 “任务自适应特征子空间学习” 的简单技术，可以显著提高少样本学习方案的性能，特别是当一些额外的未标记数据附带用于新的少样本任务时，而且它可以将在半监督 FSL 设置中更多地受益于使用未标记数据到超过 10% 的性能提高。
few-shot learningbackbone architecturepre-trainingself-supervised taskstask-adaptive feature sub-space learning
发现论文，激发创造
  • Pareto 自监督训练在少样本学习中的应用

    本文通过提出 Pareto 自监督训练（PSST）方法来解决少样本学习中的优化问题，该方法将少样本辅助学习分解成多个具有不同权衡偏好的约束多目标子问题，然后通过有效的首选 Pareto 探索在这样的首选区域中找到一组最优解。

    Apr, 2021

  • 带噪声标签的小样本学习

    介绍了在 few-shot learning（小样本学习）中应对 Label 干扰的技术方法，提出了一种基于 Transformer 的模型（TraNFS）和特征聚合方法，通过在嘈杂的数据集上的测试，验证了这些方法的有效性。

    Apr, 2022

  • 基于混合特征空间学习的少样本图像分类

    该研究提出了一种混合模型特征空间学习方法，即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数，以实现富有、强健的特征表示，并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。

    Nov, 2020

  • 受限 Few-Shot 学习：类人低样本复杂度学习和非情节文本分类

    本文提出了一种新的任务：约束的少样本学习（CFSL），介绍了一种基于 Cat2Vec 的 CFSL 方法，该方法使用类别对比损失，并受到模糊痕迹理论和原型理论等认知理论的启发。

    Aug, 2022

  • 元任务：元学习正则化的另一种视角

    该论文提出了一种新颖的解决方案，可以在有限标注数据情况下，能够在训练和新任务中进行有效泛化，并利用未标注样本进行元任务实施未监督技术，实验结果表明该方法在新任务和训练任务中表现良好，并具有更快，更好的收敛性，较低的泛化和标准差误差，表明其在少样本学习中的潜在实际应用能力。该方法的实验结果超过了原型网络 3.9%。

    Feb, 2024

  • LSFSL: 利用形状信息进行少样本学习

    LSFSL improves the generalizability and robustness of few-shot learning models by incorporating relevant priors and addressing shortcut learning in deep neural networks.

    Apr, 2023

  • 多方位原型的少样本图像分类

    本文提出了一种基于 facets 的自适应相似性度量方法，该方法可以被用于改进现有的基于度量的 few-shot learning 模型，并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。

    Feb, 2021

  • 高层语义特征在少样本无监督领域适应中的重要性

    本文提出了一种新的针对少样本无监督域自适应（FS-UDA）的任务特定语义特征学习方法（TSECS），以提高图像分类的效果，包括跨域自我训练策略和最小化源和目标域之间高级特征分布的 KL 散度。在 DomainNet 数据集上的实验结果表明，该方法在 FS-UDA 领域取得了明显的性能优势（即 10%）。

    Jan, 2023

  • 干预式少样本学习

    通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。

    Sep, 2020

  • 视觉 - 语义对比对齐在小样本图像分类中的应用

    本文介绍了一种对称的对齐机制，用于学习从极少的例子中获取更广义的视觉概念的方法。实验结果表明，该方法是通用的，并提供了一个强大的基准。

    Oct, 2022