少样本学习基准是否过于简单?在无测试时任务监督下求解它们
机器学习
2020-07-28 v3 机器学习
摘要
我们表明若干流行的少样本学习基准可在不同程度上成功求解,而无需在测试时使用支持集标签(LT)。为此,我们引入一种称为质心网络(Centroid Networks)的新基线,它是原型网络(Prototypical Networks)的改进,其中支持集标签在测试时对方法隐藏,必须通过聚类恢复。一个无需 LT 即可完美求解的基准不需要恰当的任务适配,因此不适合评估少样本方法。实践中,多数基准无法在无 LT 下完美求解,但在任何新的架构与数据集组合上运行我们的基线,可在对测试时标签做任何适配之前,就利用良好表征所能预期的基线性能提供见解。
引用
@article{arxiv.1902.08605,
title = {Are Few-Shot Learning Benchmarks too Simple ? Solving them without Task Supervision at Test-Time},
author = {Gabriel Huang and Hugo Larochelle and Simon Lacoste-Julien},
journal= {arXiv preprint arXiv:1902.08605},
year = {2020}
}