Jul, 2023

少样本假设适应的增强多样性生成网络

PDF
TL;DR本文提出一种增强多样性的生成网络 (DEG-Net)，用于 few-shot hypothesis adaptation 问题，通过最小化语义特征之间的 Hilbert-Schmidt 独立性来生成多样化的无标注数据，得到的结果比现有方法更有效。
few-shot hypothesis adaptationclassifier trainingunlabeled datadiversity-enhancing generative networkhilbert-schmidt independence criterion
发现论文，激发创造
  • 低样本图像生成的自适应特征插值

    本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

    Dec, 2021

  • 少样本学习的多样性迁移网络

    提出了一种基于多样性转移网络（DTN）的生成框架，该框架可以将已知类别中的潜在多样性转移并与支持特征组合，以在特征空间中为新类别生成多样化的样本。该框架通过单阶段网络中的有效元分类损失来解决样本生成（即多样性转移）的学习问题，并提出了一个有组织的辅助任务来稳定 DTN 的元训练过程。在三个数据集上的实验和消融研究表明，DTN 可以在单阶段训练和更快的收敛速度下，获得基于特征生成的少样本学习方法的最先进结果。

    Dec, 2019

  • 异质图上的少样本因果表示学习与越域泛化

    COHF 是一种新颖的因果关系离群值异构图少样本学习模型，通过结构因果模型和变分自动编码器异构图神经网络的组合，有效地解决了异构图少样本学习中因分布偏移导致的超出分布泛化问题。对于在七个真实世界数据集上的实验证明了 COHF 相较于现有方法具有更出色的性能。

    Jan, 2024

  • 异构图跨领域少样本学习

    跨异构图少样本学习中，提出了一种新模型 CGFL，利用 MHGN 和得分模块来有效地捕捉异构信息、测量标记样本的信息量并确定每个源异构图的可转移性，从而在少样本数据中传递广义知识以预测新类别。通过对四个真实世界数据集的广泛实验，证明了 CGFL 相对于现有方法的卓越性能。

    Aug, 2023

  • 无源领域自适应需要惩罚多样性

    通过使用具有不同骨干架构的独立特征提取器和弱假设惩罚正则化策略，我们提出了一种基于无监督学习的源自由域自适应新算法，以促进表示多样性，并在协变量转移方面应用。

    Apr, 2023

  • 单一领域泛化的多样化学习

    本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。

    Aug, 2021

  • 对抗性特征幻化网络用于少样本学习

    本文提出基于条件 Wasserstein 生成对抗网络的对抗特征幻觉网络（AFHN），利用少量有标签样本来生成可区分性和多样性的特征向量以解决数据标注不足的问题，并通过对比实验证明了该方法优于现有基于数据增强的 few-shot learning 方法和其他先进方法。

    Mar, 2020

  • 对 Few-shot 图像生成技术的深入研究

    在小目标数据上进行预训练的 GANs 会在生成图像时出现重复样本的问题，研究者提出了几种方法来解决这个问题，但当前缺乏一个统一的分析框架。该论文提出了一个框架来分析现有方法，并发现某些方法过于注重多样性维护，反而抑制了图像质量的提高。在此基础上，研究者提出了一种双重对比学习的方法来缓解多样性退化问题，实验结果表明该方法取得了较好的性能。

    May, 2022

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • DeltaGAN: 基于样本特异性的多样化少样本图像生成

    该论文提出了一种基于 Delta GAN 的少样本图像生成方法，其中的重构子网络和生成子网络一起将输入图像变换为同类别的新图像，并配合对抗性 delta 匹配损失函数使其更加多样化。此方法在五种不同的少样本图像数据集上进行了实验验证其有效性。

    Sep, 2020