无情节的少样本学习任务选择
探究非参数法在少样本学习中使用时,是否需要进行分集式学习。通过 Matching Networks 和 Prototypical Networks 两种最流行的非参数方法进行广泛实验,发现它们的 ' 非分集式 ' 同行们简单、超参数少,并提高了多个少样本分类数据集的表现。
Dec, 2020
本文提出了一种 Transductive Episodic-wise Adaptive Metric (TEAM) 框架来解决 few-shot 学习中,如何通过集成元学习范式以及深度指标学习和传导推理来学习具有自适应度量能力的分类器。通过在每个任务内部探索配对约束和正则化先验,我们将适应过程显式地形式化为标准的半正定规划问题,并使用转导设置中的闭式解来解决该问题,并通过将注意力机制应用于双向相似性策略,提取查询和原型之间更可靠的关系,实验表明我们提出的方法在三个基准数据集上表现优于其他现有方法,并在少样本学习文献中实现了最先进的性能。
Oct, 2019
本文提出了利用元任务之间的关系来辅助元学习的方法,分别考虑了在两种类型的元任务对上的关系,并提出了不同的策略来利用它们:1)有不相交类集的两个元任务,2)有相同类集的两个元任务,并给出了相应的新学习目标。然而由于实验中的一些错误,我们选择撤回本文。
Feb, 2020
本研究提出了一种基于元学习框架的元学习 Few-Shot Learning 方法,其中利用一种简单而有效的元 Dropout 机制,防止神经元在元训练阶段过度协同。实验验证了该方法在目标检测领域的有效性。
Oct, 2022
本文提出了一种新的任务:约束的少样本学习(CFSL),介绍了一种基于 Cat2Vec 的 CFSL 方法,该方法使用类别对比损失,并受到模糊痕迹理论和原型理论等认知理论的启发。
Aug, 2022
本篇研究研究了在说名高成本的标注或标签问题下,如何使用监督图形对比学习,数据增强,子图编码和多尺度对比等机制,实现图形节点分类任务的有效编码器。实验表明,相比基于元学习的方法,这个新的框架可以显著提高少样本节点分类问题的性能。
Mar, 2022
该研究提出了一种易 - 难专家元训练策略和任务难度感知模块,用于优化元学习方法,使其在少样本分类任务上表现更好。该策略优先进行易任务的训练,再进行难任务的强化。实验结果显示,该方法在 miniImageNet 和 tieredImageNetSketch 数据集上可以获得更好的结果。
Jul, 2020
本篇论文提出了基于无监督元学习(UML)的通用嵌入向量生成方式用于 few-shot learning,并结合数据增强、半标准化相似度、混淆实例合成、任务相关嵌入变换等技术,取得了显著优于以前 UML 方法和甚至优于有监督方法的成果。
Nov, 2020
本研究致力于发展一种在少量标记数据情况下对未标记数据进行分类的方法并提出一种新型 Prototypical Networks 和一种使用未标记数据的元学习算法来解实际问题,经过对 Omniglot、miniImageNet 和 ImageNet 进行实验,验证了这些算法可以使预测结果得到显著改进。
Mar, 2018