对比元学习用于部分可观测少样本学习

ICLRJan, 2023

对比元学习用于部分可观测少样本学习

Contrastive Meta-Learning for Partially Observable Few-Shot Learning

Adam Jelley, Amos Storkey, Antreas Antoniou, Sam Devlin

TL;DR通过使用概率形式化方法，该研究提出了一种部分观察专家建模（POEM）的方法，通过集成不同的视图，反向推导出一致的表示方法，从而对部分观察进行元学习，从而比其他元学习方法更好地进行表示学习。

Abstract

Many contrastive and meta-learning approaches learn representations by identifying common features in multiple views. However, the formalism for these approaches generally assumes features to be shared across vie

partial observations representations meta-learning probabilistic formalism poem

发现论文，激发创造

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

自适应交叉模态少样本学习

本文提出了一种机制，可以根据待学习的新图像类别自适应地从视觉和语义两方面结合信息，通过一系列实验表明，这种自适应组合可以在所有基准和 few-shot 情景上大幅优于当前单模态学习方法和模态对齐方法，特别是在少样本的情况下。

Feb, 2019

一种用于定制模型训练的元学习方法

本文提出了一种联合训练方法，将迁移学习和元学习相结合，从而在少分类、少样本以及多分类、多样本任务中均可获得更好的泛化性能。

Sep, 2018

元线性：探索针对少样本学习的简单元学习

本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。

Mar, 2020

无监督元学习：基于少量伪有监督对比学习

本研究提出了一种名为 “Pseudo-supervised Contrast (PsCo)” 的无监督元学习框架，可以在少样本分类任务中改进伪标签并以渐进方式构建多样化的任务，实验证明该框架在各种领域和跨领域的少样本分类基准测试中表现优异。

Mar, 2023

多样性与合作：针对少样本分类的集成方法

本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

Mar, 2019

概率模型无关元学习

该论文提出了一种概率元学习算法，能够从模型分布中采样模型，并且在模型适应新任务时注入噪声来减少任务模糊性，实验结果表明，该方法可以在模糊的少样本学习问题中采样出可信的分类器和回归器，并且阐述了如何利用对模糊性的推理来解决活跃学习问题。

Jun, 2018

Few-Shot 土地覆盖分类的元学习

本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

Apr, 2020

揭开元学习的面纱：理解适用于小样本任务的特征表示

本研究关注元学习及其在 few-shot 分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。

Feb, 2020

元学习基准测试：Meta Omnium

本文介绍了 Meta Omnium 数据集，并使用其来评估少样本元学习算法的能力，实验证明 Meta Omnium 可用于学习各种视觉任务，是一个用于元学习研究的有用工具。

May, 2023