加速贝叶斯少样本分类中的收敛
机器学习
2024-05-08 v3 机器学习
摘要
贝叶斯少样本分类一直是少样本学习领域的焦点。本文将基于镜像下降的变分推断无缝集成到基于高斯过程的少样本分类中，解决了非共轭推断的挑战。通过利用非欧几里得几何，镜像下降沿着相应流形提供最速下降方向，从而实现加速收敛。它还表现出关于变分分布的参数化不变性。实验结果表明，与基线模型相比，该方法具有具竞争力的分类准确率、改进的不确定性量化以及更快的收敛速度。此外，我们研究了超参数和组件的影响。代码公开于 https://github.com/keanson/MD-BSFC。
引用
@article{arxiv.2405.01507,
title = {Accelerating Convergence in Bayesian Few-Shot Classification},
author = {Tianjun Ke and Haoqun Cao and Feng Zhou},
journal= {arXiv preprint arXiv:2405.01507},
year = {2024}
}