面向直推式少样本分类的自适应降维与变分推断
机器学习
2022-09-20 v1 计算机视觉与模式识别
摘要
考虑到数据标注成本以及未标注样本在少样本领域所提供的准确率提升，直推式少样本学习近来受到越来越多的关注。尤其在少样本分类（FSC）中，近期工作探索特征分布，旨在最大化关于未知参数的似然或后验。循此思路，并考虑到 FSC 与聚类的相似性，我们力求更好地考虑因数据缺乏导致的估计不确定性，以及各类别对应聚类的更好统计性质。因此，本文提出一种基于变分贝叶斯推断的新聚类方法，并进一步通过基于概率线性判别分析的自适应降维加以改进。我们所提方法在应用于既往研究使用的特征时，于现实的不平衡直推式设定下在多个少样本基准上显著提升准确率，增益达 。此外，在平衡设定下，我们无需使用备受实际用例争议的类平衡技巧即取得极具竞争力的结果。我们还在高性能预训练骨干上给出方法表现，所报告结果进一步超越当前最优准确率，表明所提方法的通用性。
引用
@article{arxiv.2209.08527,
title = {Adaptive Dimension Reduction and Variational Inference for Transductive Few-Shot Classification},
author = {Yuqing Hu and Stéphane Pateux and Vincent Gripon},
journal= {arXiv preprint arXiv:2209.08527},
year = {2022}
}