面向跨域小样本学习的自适应加权协同学习
机器学习
2023-12-08 v1
摘要
由于新颖目标预测任务仅有少量标注样本可用，且标注充分的源域与目标域之间存在显著的领域偏移，跨域小样本学习（CDFSL）引发了一个极具挑战性的适应问题。在本文中，我们提出了一种简单的自适应加权协同学习（AWCoL）方法，通过以加权协同学习的方式将两个独立训练的源原型分类模型适应至目标任务，以应对 CDFSL 挑战。所提出的方法采用加权移动平均预测策略从每个模型生成概率预测，随后基于从预测中产生的伪标签和样本权重，通过交替联合微调两个模型来开展自适应协同学习。此外，进一步部署了负伪标签正则化器，通过惩罚错误预测来改善微调过程。我们在多个基准数据集上进行了全面实验，实证结果表明所提出的方法取得了 SOTA 的 CDFSL 性能。
引用
@article{arxiv.2312.03928,
title = {Adaptive Weighted Co-Learning for Cross-Domain Few-Shot Learning},
author = {Abdullah Alchihabi and Marzi Heidari and Yuhong Guo},
journal= {arXiv preprint arXiv:2312.03928},
year = {2023}
}