一次学习的任务自适应特征转换
这篇研究论文讨论了如何通过强化学习来自动化特征转换,以解决维度灾难、数据稀疏性和模型泛化等问题,并提出了一种集成图形表示和增强学习技术的自优化框架来改进其效果和通用性。
Jun, 2023
本文提出了一个新颖的具有转换不变性的特征学习框架,将线性转换纳入特征学习算法中,可应用于无监督学习方法,如自动编码器或稀疏编码,证明在 MNIST 变化,CIFAR-10 和 STL-10 等图像分类基准数据集上具有优越的分类性能并在 TIMIT 数据集上实现了最先进的电话分类任务的结果。
Jun, 2012
本文提出了一种基于拉普拉斯正则化的推导式推理方法,用于 few-shot 任务中的图聚类,以支持来自支持集的监督性约束。实验结果表明,在五个 few-shot 学习基准测试中,LaplacianShot 方法具有显著优于现有方法的性能表现。
Jun, 2020
本文提出了一种新的适应实例嵌入到目标分类任务中的方法,通过一种集合到集合的函数,生成特定于该任务且有区分度的嵌入,并在标准少样本分类基准和四个扩展少样本学习设置中进行了验证,取得了一致的改进和最新的最佳结果。
Dec, 2018
本文旨在解决度量方法下少样本分类领域差异的问题,使用特征转换层进行数据增强以模拟不同域下的特征分布,并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化,实验结果表明该方法适用于不同的度量模型,能够提高少样本分类准确性。
Jan, 2020
提出了一种针对下游的 few-shot 分类任务的自适应无监督嵌入方法,其中采用了特征重构、维度驱动的早期停止等创新策略来实现通用化特征的提取,与传统方法相比在所有标准设置下都显著提高了准确性,与传统方法结合使用可以进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 等数据集上取得最先进的性能。
Jun, 2021
本文提出了一种称为 EFTs 的简单的任务特定特征映射转换策略,具有强大的灵活性,利用最小的参数增加了基本体系结构,使其在大规模场景下实用;我们还提出了一种特征距离最大化策略来完成类增量设置中的任务预测。通过在较广泛的一系列任务序列中的实验,包括区分性任务和生成任务,证明了该方法的实效性和效率。
Mar, 2021
该论文研究深度神经网络在非训练时数据分布下表现不佳的问题,提出一种全测试时间适应的解决方案,通过使用替代熵和添加基于批次的熵最大化的多样性正则化器来解决熵最小化的早期收敛和不稳定性问题,并且可以通过在完全测试时间适应性损失中学习无需目标域标签或源域数据的输入变换模块,从而达到在 ImageNet-C 等挑战性基准测试中提高公共预训练图像分类器鲁棒性的效果。
Jun, 2021
本文提出了一种新颖的基于转移学习的方法,通过预处理特征向量使其更接近高斯分布,并利用基于最优输运的算法 (在普遍情况下) 加以利用,证明了该方法在各种数据集、主干体系结构和少样本情形下达到最先进的准确性。
Jun, 2020