假设、增强与学习：基于随机标签与数据增强的无监督少样本元学习
机器学习
2019-03-07 v3 机器学习
摘要
少样本学习领域已在有监督设定下被详尽探索，即每类标签可用。另一方面，无需任何类型标签的无监督少样本学习设定则鲜有研究。我们提出一种名为 Assume, Augment and Learn（AAL）的方法，利用无标签数据生成少样本任务。我们从无标签数据集中随机标注一个随机图像子集以生成支撑集。然后通过对支撑集图像施加数据增强并复用支撑集标签，得到目标集。所得少样本任务可用于训练任意标准元学习框架。一旦训练完成，此类模型可直接应用于小型真实标签数据集，无需任何改动或微调。实验中，所学模型在 Omniglot 与 Mini-Imagenet 的多种既定少样本学习任务上取得了良好的泛化性能。
引用
@article{arxiv.1902.09884,
title = {Assume, Augment and Learn: Unsupervised Few-Shot Meta-Learning via Random Labels and Data Augmentation},
author = {Antreas Antoniou and Amos Storkey},
journal= {arXiv preprint arXiv:1902.09884},
year = {2019}
}
备注
Work in Progress - Under Review in ICML 2019