Mar, 2021

多个领域的少样本分类通用表示学习

PDF
TL;DR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。
few-shot classificationadaptation networksdeep representationscentered kernel alignmentmeta-dataset benchmark
发现论文，激发创造
  • 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

  • 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

  • Few-Shot 图像分类通用表示变换层

    该论文提出了一种称为 Universal Representation Transformer (URT) 的方法，对多域 few-shot 图像分类进行元学习，通过动态重新加权和组合最适合的域特定表示来实现 few-shot 分类，该方法在 Meta-Dataset 数据集上取得了最佳结果。

    Jun, 2020

  • 基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习

    本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在 Meta-Dataset 基准测试中，相较于现有方法，准确率分别提高了 7.7% 和 5.3%，且参数效率至少提高 3 倍，达到了新的国际水平。

    Mar, 2024

  • 具有任务特定适配器的跨域少样本学习

    该论文提出了一种直接在少量支持集上学习任务特定权重的方法，通过使用残差连接和矩阵形式的参数适配器，能够显著提高最先进的 Meta-Dataset 基准模型的性能。

    Jul, 2021

  • 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

  • 跨域少样本图分类

    本文提出了一种用于跨领域的小样本图分类问题的基于注意力机制的图编码器，使用三个具有相同结构但不同功能的图像来学习任务特定的信息表示以达到快速适应的目的，实验结果表明，该编码器结合度量学习元学习框架时，可以在所有基准测试中实现最佳的平均元测试分类准确性。

    Jan, 2022

  • 元学习对抗域适应网络用于小样本文本分类

    本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在 20 个新闻组数据集上，1-shot 和 5-shot 分类的准确性从 52.1％提高到 59.6％和从 68.3％提高到 77.8％。

    Jul, 2021

  • 通用域自适应的样本选择方法

    本文研究了在共享类别不足的情况下，非监督领域自适应问题。文章提出了一种有效的评分机制来鉴别共享类别的样本，并将评分应用于训练过程中选择目标领域中的伪标签样本。文章中的另一个损失函数鼓励每个批次内标签的多样性。综合来看，我们的方法在文献基准测试中表现出比现有技术更强大的性能。

    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