IJCAIApr, 2021

通过对抗任务增强的跨领域少样本分类

PDF
TL;DR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。
few-shot classificationmeta-learning modelsinductive biasdomain shifttask augmentation
发现论文，激发创造
  • 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

  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • 调适先于比较：跨域少样本分割的新视角

    面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

    Feb, 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

  • 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

  • 元对抗学习的跨域少样本学习

    本研究提出一种基于元学习和对抗训练的元领域适应框架，用于解决 few-shot 关系分类在跨领域场景中的问题，并在实验中验证了该模型的有效性。

    Feb, 2022

  • 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

  • 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

  • Meta-FDMixup: 基于有标注目标数据的跨领域少样本学习

    本文提出了一种新的元 - 混合网络，提出了利用少量标记目标数据来指导模型学习的想法，通过重新提出并将混合模块集成到元学习机制中，以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法，实现了缩小域差距的目的，从而使模型能够很好地推广到目标数据集。

    Jul, 2021

  • 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