CVPRMay, 2020

自适应边界损失增强少样本学习

PDF
TL;DR本文针对小样本学习（few-shot learning）的泛化困难问题，提出了一种自适应_margin_方法，改善了基于度量的元学习方法的泛化能力，并通过实验验证了该方法的有效性。
发现论文，激发创造
  • 大边界少样本学习

    在 Few-shot learning 的背景下，该研究论文探索了如何使用大边距原则改进基于度量的 Few-shot learning 方法的泛化能力，通过在训练中将分类损失函数增加大边距距离损失函数，实现学习更有区分度的度量空间，实验证明这种方法可以有效提高现有模型的性能。

    Jul, 2018

  • 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

  • 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

  • 从少数样本中推广：关于小样本学习的调查

    本文在对 Few-Shot Learning 进行了深入的调研的基础上，选择使用三种视角：数据，模型，和算法来对 FSL 的方法进行分类，以提供未来研究的启示。

    Apr, 2019

  • 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

  • 负边界很重要：理解少样本分类中的边界

    本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法，该方法显著优于常规 softmax 损失函数，并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析，发现尽管负边距会降低训练班级的发散度，但它也可以避免将同一新班级的样本错误地映射到多个峰值或簇中，从而有助于新班级的区分。

    Mar, 2020

  • 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

  • 使用任务自适应损失函数的元学习用于小样本学习

    模型无关元学习（MAML）和其变体往往采用简单损失函数进行学习，为了更好地泛化，我们提出了一种新的元学习框架 MeTAL，其中损失函数适应于每个任务。

    Oct, 2021

  • 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

  • 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