元对抗学习的跨域少样本学习

Feb, 2022

Cross Domain Few-Shot Learning via Meta Adversarial Training

Jirui Qi, Richong Zhang, Chune Li, Yongyi Mao

TL;DR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。

Abstract

Few-shot relation classification (RC) is one of the critical problems in machine learning. Current research merely focuses on the set-ups that both training and testing are from the same domain. However, in practice, this assumption is not always guaranteed. In this study, we present a

few-shot learning relation classification cross-domain adaptation meta-learning adversarial training

发现论文，激发创造

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

长期交叉对抗训练：一种鲁棒元学习方法用于少样本分类任务

本文提出了一种基于长期交叉对抗训练 (LCAT) 的元学习方法，在自然和对抗样本分布方向上进行跨更新，以提高元学习模型的对抗性和干净的 Few-shot 分类准确性，实验结果表明，LCAT 在对抗样本上和干净样本上的 Few-shot 识别准确性上都优于目前最先进的元学习模型的对抗训练方法。

Jun, 2021

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

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

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

对抗性鲁棒少样本学习：一种元学习方法

本研究旨在开发 Adversarial Querying 算法以生成对小样本图像分类具有鲁棒性的元学习器，并比较其与迁移学习方式的性能表现，结果表明在 Mini-ImageNet 和 CIFAR-FS 等图像分类任务上，该方法具有远优于传统迁移学习方法的鲁棒表现。

Oct, 2019

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

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

跨领域少样本高光谱图像分类的多视图关系学习

本文提出了一种基于多视角关系学习的跨域少样本高光谱图像分类方法，通过学习样本之间的关系来改善跨域少样本高光谱图像分类，并结合对比学习和基于 Transformer 的跨注意力学习模块来获得更可区分的样本特征。实验证明，与现有方法相比，多视角关系学习机制对于少样本高光谱图像分类的贡献显著。

Nov, 2023