ICLRApr, 2021
元学习器在数据集不平衡情况下的敏感性如何?
How Sensitive are Meta-Learners to Dataset Imbalance?
Mateusz Ochal, Massimiliano Patacchiola, Amos Storkey, Jose Vazquez, Sen Wang
TL;DR本研究调查了 Few-Shot Learning (FSL) 算法训练中 imbalanced meta-datasets 与性能之间的关系,结果表明在较小的 imbalance ratio ($
ho<20$) 下,Meta-Learning (ML) 方法比 imbalance task-level 更为鲁棒,在更大的 imbalance ($
ho=65$) 下,该结果仍然成立。这一结果表明了 ML 算法的隐含优势,在数据集不平衡和域漂移的情况下能够学习到可推广的特征。