小样本学习当代方法、新兴范式与混合approaches 的全面综述
机器学习
2025-01-27 v3 人工智能
摘要
尽管深度学习取得了广泛成功，但其对海量数据和 extensive 训练的强烈需求，使其在数据稀缺的各种实际应用中难以实施。近年来，小样本学习（FSL）作为一种学习范式应运而生，旨在通过利用先验知识实现对新学习任务的快速适应，从而解决这些局限性。由于 FSL 的特性高度互补了深度学习对数据密集型的需求，其在过去几年中取得了显著增长。本综述全面概述了 FSL 领域中既有的成熟方法以及最新进展。所提出的分类法通过纳入新兴的 FSL 范式（如上下文学习）以及 FSL 元学习范式内的新类别（包括神经过程和概率元学习），扩展了此前提出的分类法。此外，通过讨论将 FSL 扩展至通常被考察的 supervised 学习设置之外的混合 FSL 方法，提供了对 FSL 的整体概览。本综述还探讨了 FSL across 各领域的多样化应用。最后，讨论了塑造该领域的最新趋势、亟待解决的挑战以及有前景的未来研究方向。
引用
@article{arxiv.2402.03017,
title = {A Complete Survey on Contemporary Methods, Emerging Paradigms and Hybrid Approaches for Few-Shot Learning},
author = {Georgios Tsoumplekas and Vladislav Li and Panagiotis Sarigiannidis and Vasileios Argyriou},
journal= {arXiv preprint arXiv:2402.03017},
year = {2025}
}
备注
63 pages, 16 figures. Under review