Jul, 2022

用对抗性类别存储进行连续少样本学习

PDF
TL;DR本文定义了一个新问题：不断出现的少样本学习；提出了 Continual Meta-Learner 来解决此问题，并在 MiniImageNet 和 CIFAR100 两个图像数据集上进行了广泛实验，表明 CML 在少量样本学习任务的分类准确性方面实现了现有最先进水平并避免了灾难性遗忘。
发现论文，激发创造
  • 元学习减轻少样本口语词分类的灾难性遗忘问题

    本文研究了在用户定义的关键词系统中增量引入新词类的少样本语音单词分类问题，并提出了通过模型无关元学习 (MAML) 的扩展来解决灾难性遗忘的问题。在 Google Commands 和 FACC 上进行的实验表明，我们的方法在快速学习少量词汇的分类问题上优于 MAML 的另一种扩展 OML。

    May, 2023

  • 应对少样本问题中的灾难性遗忘

    引入一种贝叶斯在线元学习框架来解决少样本分类问题中的灾难性遗忘问题，并通过实验验证与各种基线方法相比可以有效地实现该目标。

    Apr, 2020

  • 少样本持续主动学习的学习模型

    我们提出了一种称为元持续主动学习的简单而高效的方法，通过使用元学习和经验回放来在解决以前见过的任务时实现稳定性，并在新领域中展现出可塑性。我们的实验结果表明，在解决少样本持续主动学习问题时，随机采样是最好的默认策略，无论是在主动学习还是记忆样本选择方面。

    Nov, 2023

  • 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

  • 终身流浪：一种逼真的少样本在线持续学习环境

    本文探讨了在线小样本学习在多个室内环境中物体分类的应用。研究发现，存在着灾难性遗忘和在线性能之间的平衡问题，提出了未来改进的方向。

    Jun, 2022

  • 对抗性持续学习

    本研究旨在使用混合方法来解决连续学习中遗忘的问题，该方法结合了体系结构生长来防止任务特定技能的遗忘，并采用经验回放方法来保存共享技能。研究结果表明，我们的混合方法在单个数据集和多个数据集的类增量学习中都表现优异。

    Mar, 2020

  • 自适应分类标准在任务增量连续学习中缓解灾难性遗忘

    本文介绍了一种用于持续学习的有监督对比学习框架，旨在通过保存少量的数据和适应的分类准则来解决在学习新任务时可能产生的灾难性遗忘问题，实验表明其表现优异。

    May, 2023

  • Few-shot 学习的元学习方法：最新进展综述

    该论文介绍了元学习在深度学习中的应用及其近期发展，涵盖度量、记忆、基于学习等方法，并探讨了当前的挑战和未来的研究方向。

    Mar, 2023

  • 从过去学习：基于贝叶斯图建模的持续元学习

    提出了一种新颖的连续元学习方法，使用贝叶斯图神经网络 (CML-BGNN) 将元学习数学公式化为一系列任务的连续学习，在图形上保留任务内部和任务之间的相关性，利用 Amortized inference networks 解决了图形初始化的拓扑不确定性，提高了 minImageNet 5-way 1-shot 分类任务的分类性能。

    Nov, 2019

  • 少样本全生命周期学习

    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