Oct, 2020

表示融合的跨域少样本学习

PDF
TL;DR提出了一种称为 Cross-domain Hebbian Ensemble Few-shot learning (CHEF) 的方法，通过深度神经网络不同层次的 Hebbian 学习器进行集成表示融合，从而实现跨领域 Few-Shot Learning。在小域移位的 few-shot 数据集上，表现与现有方法有竞争力，在大域移位的 Few-Shot Learning 基准测试中，CHEF 建立了新的最佳结果，并在药物发现的跨领域应用中表现出更强的实用性。
发现论文，激发创造
  • 跨域小样本学习的双自适应表示对齐

    本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。

    Jun, 2023

  • 基于表示学习和领域自适应的跨领域少样本关系抽取

    该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。

    Dec, 2022

  • 跨域少样本学习的深入研究

    本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning （BSCD-FSL）基准，并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越，同时发现所有方法的准确性倾向于与数据集的相似性相关，这验证了该基准的价值，可指导未来的研究方向。

    Dec, 2019

  • 通过学习的特征转换实现跨域少样本分类

    本文旨在解决度量方法下少样本分类领域差异的问题，使用特征转换层进行数据增强以模拟不同域下的特征分布，并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化，实验结果表明该方法适用于不同的度量模型，能够提高少样本分类准确性。

    Jan, 2020

  • 通过对抗任务增强的跨领域少样本分类

    针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

    Apr, 2021

  • 跨域跨集合少样本学习通过学习紧凑和对齐表征

    本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

    Jul, 2022

  • 基于聚类的归纳式无监督领域自适应在几类问题中的应用

    本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

    Jun, 2020

  • 多域表示下的几分类问题中有关特征的选择

    本篇论文提出了一种基于特征选择的新策略，可以更加简单和有效地应对 few-shot 分类问题。该方法首先训练多个具有不同语义的特征提取器，然后根据特定任务的需求自动选择最相关的特征表示，并在此基础上构建简单的非参数分类器，可以在 MetaDataset 数据集上实现最新的结果及 mini-ImageNet 上实现进一步准确度的提高

    Mar, 2020

  • 多个领域的少样本分类通用表示学习

    本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

    Mar, 2021

  • 元调整的跨域少样本学习

    通过引入迁移学习和元学习以及改进的训练过程包括一阶 MAML 算法和图神经网络模型，本文提出的方法在加上数据增强后，在新的跨领域少样本学习基准上实现了 73.78% 的平均准确度，比既有基准提高了 6.51%。

    May, 2020