从因果分析的角度重新审视少样本学习
本文提出了一种名为 Simple CNAPS 的新型神经网络架构,采用 Mahalanobis 距离作为距离衡量标准并学习适应性特征提取器,从而在标准 few-shot 图像分类基准数据集上实现了 6.1% 的性能提升。
Dec, 2019
通过构建因果模型,提出了一种新的干预式 Few-Shot 学习范式,与现有的 Fine-tuning 和 Meta-learning 等方法正交,可以显著提高它们的性能,在多个数据集上均取得新的 1-/5-shot 最新成果。
Sep, 2020
本文提出了一种迭代式视觉知识完善(KCL)方法,通过正确利用未标记样本来补充视觉知识,以应对少样本学习中存在的分类偏差问题。经过多次迭代,收集更多样本以逐步稳定和完善视觉知识。实验结果表明,KCL 在少样本和零样本学习设置下作为即插即用模块具有有效性和高效性。
Apr, 2024
本文提出一种基于因果干预的少样本 NER 方法,通过背门调整和增量学习干预原型,避免了少样本选择偏差所带来的虚假相关性问题,并在不同基准测试中取得了新的最佳表现。
May, 2023
这篇论文介绍了几种代表性的 few-shot 分类算法的一致性比较分析,包括修改的基准线方法,新的评估设置等,并揭示了在 backbones 网络较深时,减少类内变异是一个重要的因素,但与使用较浅的 backbones 网络时不太重要的结论。在现实的跨域评估设置中,我们展示了一种标准的微调实践的基准方法与其他最先进的 few-shot 学习算法相比的优越性。
Apr, 2019
提出一种基于信息检索的方法来解决 few-shot 学习问题,通过同时优化每个训练批次中所有相对排序以提取尽可能多的信息, 在结构化预测的框架内定义模型来优化平均精度,从而实现在标准 few-shot 分类基准测试上取得令人印象深刻的结果,并具有 few-shot 检索的能力。
Jul, 2017
本文提出通过部分观察的图模型推断来研究少样本学习问题,结合传递消息推断算法与神经网络的图神经网络架构,可以泛化多个最近提出的少样本模型,并可以扩展到半监督学习和主动学习等少样本学习变种,展示了图形模型在关系型任务上操作的能力。
Nov, 2017
本文研究了现有少样本分类方法,提出了一种鲁棒性较好的方法来应对培训数据量和测试数据量不匹配等情况。该方法通过理论分析,将嵌套式学习(meta-learning)与原型网络(Prototypical Networks)相结合,以研究最佳 “Shot Number”(样本数量数),并取得了在少量训练数据和多量测试数据情况下良好的性能表现。
Sep, 2019
多模态模型的少样本适应方法在医学成像等领域仍有待提高,研究者提出了基于提示、适配器和外部知识的三种技术方法,本论文对这些方法进行了综述及对比,并推导出了多模态模型少样本适应的泛化误差界限及相应解决方案。
Jan, 2024
深度学习在医学图像处理领域的应用受到数据不足的限制,因此研究者们开发出了一种称为 “Few-shot learning” 的模型,通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述,介绍了医学图像分析中的方法学策略比较,描述了 Few-shot learning 在医学图像处理应用的最新进展,并展望了其未来的应用前景。
May, 2023