带噪声标签的小样本学习
本文提出了一种基于原型标签传播的图构建方法,并对小图片网络、分层图片网络、CIFAR-FS 和 CUB 数据集进行了实验,展示了该方法在转导式 FSL 和半监督 FSL 方面优于其他最先进的方法。
Apr, 2023
本文研究了 Few-Shot Learning 中当 support 和 query 样本来自于不同分布时的问题,提出了一种结合 Optimal Transport 和 Prototypical Networks 的新方法,有效缓解了 Distribution Shift 的影响,提高了模型的表现。
May, 2021
本文提出了一种名为 “任务自适应特征子空间学习” 的简单技术,可以显著提高少样本学习方案的性能,特别是当一些额外的未标记数据附带用于新的少样本任务时,而且它可以将在半监督 FSL 设置中更多地受益于使用未标记数据到超过 10% 的性能提高。
Mar, 2020
本文提出了一种新的少样本生命周期学习方法,通过仅训练模型的部分参数来防止过拟合,同时最大程度上减少了灾难性遗忘,并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能,同时还证明了结合自我监督的方法可以显著提高模型性能。
Mar, 2021
本文提出了一种新的任务:约束的少样本学习(CFSL),介绍了一种基于 Cat2Vec 的 CFSL 方法,该方法使用类别对比损失,并受到模糊痕迹理论和原型理论等认知理论的启发。
Aug, 2022
本篇论文提出一种使用基类和新类训练样本学习全局类别表示来解决少样本学习问题的方法,该方法在训练过程中涉及到新类训练样本,并且采用了有效的样本综合策略避免过拟合,同时能够轻松扩展到更具挑战性的 FSL 场景。
Aug, 2019
本研究提出了一种基于适应距离度量学习和样本特征的 Few-shot PLL 方法,通过学习多类别分类器,从过度标注的样本中训练生成去噪的分类器用于不精确标记的学习。实验结果表明在使用少量数据集的情况下,FsPLL 可以优于现有最先进的方法并快速适应新任务。
Jun, 2021
该研究提出了一种混合模型特征空间学习方法,即在网络训练过程中以在线形式同时训练特征提取器和混合模型参数,以实现富有、强健的特征表示,并通过实验证明了该方法的有效性及其在少样本学习领域的优越表现。
Nov, 2020
本文提出了一种基于 facets 的自适应相似性度量方法,该方法可以被用于改进现有的基于度量的 few-shot learning 模型,并在 miniImageNet 和 CUB 数据集上实现了 state-of-the-art 的表现。
Feb, 2021