主动少样本分类：数据稀缺学习场景的新范式
机器学习
2022-09-26 v1
摘要
我们考虑主动少样本分类（AFSC）这一新颖的问题表述，其目标是在极有限的标注预算下对一小规模、初始无标签的数据集进行分类。该问题可视为经典转导少样本分类（TFSC）的竞争性范式，因为这两种方法适用于相似的条件。我们首先提出一种结合统计推断与一种契合该框架的原始两层主动学习策略的方法论。随后我们改编了TFSC领域的若干标准视觉基准。实验表明，AFSC的潜在收益可观，在相同标注预算下，相比最先进的TFSC方法，平均加权准确率提升高达10%。我们相信这一新范式将推动数据稀缺学习场景中的新发展与标准。
引用
@article{arxiv.2209.11481,
title = {Active Few-Shot Classification: a New Paradigm for Data-Scarce Learning Settings},
author = {Aymane Abdali and Vincent Gripon and Lucas Drumetz and Bartosz Boguslawski},
journal= {arXiv preprint arXiv:2209.11481},
year = {2022}
}