自适应少样本学习（AFSL）：通过稳定性、鲁棒性和多样性应对数据稀缺
机器学习
2025-01-24 v1 人工智能
摘要
少样本学习（Few-shot Learning, FSL）使机器学习模型能够以最小的标记数据进行有效推理，在医疗、机器人和自然语言处理等数据稀缺领域至为重要。尽管具有巨大的潜力，FSL 仍面临初始化敏感、难以适应多样化领域以及对噪声数据脆弱等挑战。为此，本文引入自适应少样本学习（Adaptive Few-Shot Learning, AFSL）框架，集成 meta-learning、领域对齐、噪声鲁棒性和多模态集成等最新进展。AFSL 包含四个关键模块：用于性能一致性的动态稳定性模块、用于领域适应的情境域对齐模块、用于处理噪声数据的噪声自适应鲁棒性模块以及用于集成多种模态的多模态融合模块。本 work 还探讨了任务感知数据增强、半监督学习和可解释 AI 技术等策略，以提升 FSL 的适用性和鲁棒性。AFSL 为实际高风险领域提供可扩展、可靠且具有影响力的解决方案。
引用
@article{arxiv.2501.13479,
title = {Adaptive Few-Shot Learning (AFSL): Tackling Data Scarcity with Stability, Robustness, and Versatility},
author = {Rishabh Agrawal},
journal= {arXiv preprint arXiv:2501.13479},
year = {2025}
}