ICMLMar, 2020

XtarNet： 用于增量式少样本学习的任务自适应表示学习

PDF
TL;DR本文提出了 XtarNet 算法，通过元训练得到任务适应性表示（TAR），用于增量小样本学习。XtarNet 能够将基础特征和元训练模块提取的新特征相结合，生成有效的 TAR，使得分类器能够快速适应新任务，实验结果表明其性能达到最先进水平。此外，TAR 也能够与现有增量小样本学习方法相结合以显著提高表现。
incremental few-shot learningtask-adaptive representationxtarnetmeta-trainingstate-of-the-art performance
发现论文，激发创造
  • TapNet: 任务自适应投影增强的神经网络用于少样本学习

    本文提出了一种增强任务适应性的 TapNets 神经网络模型，利用元学习策略和基于任务的投影方法来实现在只有少量训练数据的情况下进行优化，共学习一个网络和一组每类参考向量，通过将特征线性投影到投影空间并计算查询和参考向量之间的距离，从而实现出色的泛化性能。在 Omniglot, miniImageNet 和 tieredImageNet 数据集中的小样本下，该模型在各项指标下达到最优的分类精度。

    May, 2019

  • TART: 任务自适应参考转换技术提升少样本文本分类

    提出一种基于 Task-Adaptive Reference Transformation 网络的 Few-Shot 文本分类方法，通过在任务自适应度量空间中将类原型转换为每个类的固定参考点来增强泛化能力，并引入了一种在转换后的原型之间的区别性参考正则化方法，实验结果在四个基准数据集上均超越了现有模型。

    Jun, 2023

  • TAFE-Net：面向任务的低样本学习特征嵌入

    本研究提出了 TAFE-Net，它是由元学习器和预测网络组成的任务感知特征嵌入网络，可在零样本和少样本学习方面达到与或超过现有技术。我们的方法在处理挑战性的视觉属性 - 对象组合任务时提高了未见过的属性 - 对象对的预测准确率 4 到 15 个百分点。

    Apr, 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

  • 揭开元学习的面纱：理解适用于小样本任务的特征表示

    本研究关注元学习及其在 few-shot 分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。

    Feb, 2020

  • 通过难度任务实现元转移学习

    本文提出了一种新颖的元转移学习（MTL）方法，通过学习每个任务的深度神经网络权重的缩放和移位函数来实现权重的转移，同时引入了硬任务元批处理方案作为有效的学习课程，对三个具有挑战性的基准数据集进行了少样本学习实验，并报告了五类少样本识别任务的最高性能，验证了 MTL 方法的有效性。

    Oct, 2019

  • 自适应注意力的小样本分类

    本文提出一种新的 few-shot 学习方法，通过优化和快速适应查询样本的表示来改进 few-shot 分类，所提出的自适应注意力模型还能够解释分类模型所寻找的证据。在各种基准 few-shot 分类和精细识别数据集上，实验证明了所提出模型的分类结果达到了最先进水平。

    Aug, 2020

  • 带有注意力吸引网络的增量式少样本学习

    本文提出了一种基于元学习的注意力吸引网络模型，用于在已有基础类别数据的情况下，通过少量有标注的样本学习新的类别，从而提高模型对于新类别和旧类别的分类性能，超越其他相关算法。

    Oct, 2018

  • ContrastNet：用于小样本文本分类的对比学习框架

    提出了一个名为 ContrastNet 的对比学习框架，来解决少样本文本分类问题中类间相似性引起的混淆和过拟合的问题。经实验证明该方法在 8 个少样本文本分类数据集上优于当前技术水平。

    May, 2023

  • 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