Jun, 2023

跨域小样本学习的双自适应表示对齐

PDF
TL;DR本文提出了一种基于元学习的双自适应表示对齐方法，针对跨域小样本学习问题，在极少量样本的情况下，通过特征和分布的对齐，实现了更好的泛化能力及更高的成果。
few-shot learningcross-domain learningmeta-learningadaptationstate-of-the-art results
发现论文，激发创造
  • 跨域跨集合少样本学习通过学习紧凑和对齐表征

    本文提出一种名为 stabPA 的新方法，通过学习紧凑的原型和跨域对齐表示来同时解决域漂移和少样本学习问题，并在 DomainNet 数据集上实现了优异的结果。

    Jul, 2022

  • 基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习

    本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在 Meta-Dataset 基准测试中，相较于现有方法，准确率分别提高了 7.7% 和 5.3%，且参数效率至少提高 3 倍，达到了新的国际水平。

    Mar, 2024

  • 多个领域的少样本分类通用表示学习

    本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

    Mar, 2021

  • 基于表示学习和领域自适应的跨领域少样本关系抽取

    该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。

    Dec, 2022

  • 自适应参数原型学习用于跨领域少样本分类

    开发了一种新颖的适应性参数原型学习（APPL）方法，应用于跨领域少样本分类任务，在元学习的框架下，通过对查询集进行基于原型的正则化来元学习模型，并采用加权移动平均自训练方法在目标领域进行传导式微调，实验证明 APPL 在多个跨领域少样本数据集上超越了许多最新技术的性能。

    Sep, 2023

  • 元滤波器学习动态对齐以用于少样本学习

    本文提出了一种基于动态对齐的特征调整方法，从视觉识别的角度解决了 few-shot learning 的问题，采用神经常微分方程技术，使模型能更好地捕捉少量样本的微粒子级别的语义上下文，大幅提高了在 miniImageNet 和 tieredImageNet 数据集上的识别准确率。

    Mar, 2021

  • 元调整的跨域少样本学习

    通过引入迁移学习和元学习以及改进的训练过程包括一阶 MAML 算法和图神经网络模型，本文提出的方法在加上数据增强后，在新的跨领域少样本学习基准上实现了 73.78% 的平均准确度，比既有基准提高了 6.51%。

    May, 2020

  • 多域表示下的几分类问题中有关特征的选择

    本篇论文提出了一种基于特征选择的新策略，可以更加简单和有效地应对 few-shot 分类问题。该方法首先训练多个具有不同语义的特征提取器，然后根据特定任务的需求自动选择最相关的特征表示，并在此基础上构建简单的非参数分类器，可以在 MetaDataset 数据集上实现最新的结果及 mini-ImageNet 上实现进一步准确度的提高

    Mar, 2020

  • 表示融合的跨域少样本学习

    提出了一种称为 Cross-domain Hebbian Ensemble Few-shot learning (CHEF) 的方法，通过深度神经网络不同层次的 Hebbian 学习器进行集成表示融合，从而实现跨领域 Few-Shot Learning。在小域移位的 few-shot 数据集上，表现与现有方法有竞争力，在大域移位的 Few-Shot Learning 基准测试中，CHEF 建立了新的最佳结果，并在药物发现的跨领域应用中表现出更强的实用性。

    Oct, 2020

  • 逼真支持 - 查询转移少样本学习的双重对抗对齐

    提出了一个新的挑战，RSQS，侧重于现实的支持 - 查询偏移少样本学习。使用统一的对抗特征对齐方法（DuaL）从两个方面缓解了 RSQS，即跨域偏差和内域变异。在 RSQS 基准测试中，DuaL 明显优于其他方法。

    Sep, 2023