基于域知识映射的跨域少样本学习方法
计算机视觉与模式识别
2025-04-10 v1
摘要
在基于任务的少样本学习范式中，通常假设不同任务是独立同分布的（i.i.d.）。然而，在实际场景中，少样本学习所遇到的分布常与现有数据分布有显著差异。因此，如何有效利用现有数据知识，使模型能够在非i.i.d.假设下快速适应类别变异，已成为关键研究挑战。为此，本文提出了一种基于域知识映射的跨域少样本学习方法，贯穿预训练、训练和测试三个阶段。在预训练阶段，我们通过最大化互信息，将自监督损失与监督损失集成，以缓解模式坍缩。在训练阶段，域知识映射层与域分类器协同工作，学习域映射能力及评估域适应难度的能力。在测试阶段，本方法通过对支持集上的元训练任务进行快速适应，实现对域变异的快速适应，从而提升模型有效传递域知识的能力。在来自多样领域的六个数据集上进行的实验验证表明，所提出方法有效。
引用
@article{arxiv.2504.06608,
title = {A Cross-Domain Few-Shot Learning Method Based on Domain Knowledge Mapping},
author = {Jiajun Chen and Hongpeng Yin and Yifu Yang},
journal= {arXiv preprint arXiv:2504.06608},
year = {2025}
}