基于 One-vs-Each Pólya-Gamma 增广高斯过程的贝叶斯少样本分类
机器学习
2021-01-25 v2 机器学习
摘要
少样本分类（FSC）是指在给定少量标注数据集的情况下使分类器适应未见类别的任务，是迈向类人机器学习的重要一步。贝叶斯方法非常适合解决少样本场景中的过拟合这一根本问题，因为它们允许实践者指定先验信念并根据观测数据更新这些信念。当代的贝叶斯少样本分类方法在模型参数上维持后验分布，这速度慢且所需的存储随模型规模增长。相反，我们提出了一种基于 Pólya-Gamma 增广与 one-vs-each softmax 近似新颖组合的高斯过程分类器，该组合使我们能够高效地对函数而非模型参数进行边际化。我们在标准少样本分类基准和少样本域迁移任务上展示了改进的准确率和不确定性量化。
引用
@article{arxiv.2007.10417,
title = {Bayesian Few-Shot Classification with One-vs-Each P\'olya-Gamma Augmented Gaussian Processes},
author = {Jake Snell and Richard Zemel},
journal= {arXiv preprint arXiv:2007.10417},
year = {2021}
}
备注
Extended version of accepted ICLR 2021 submission. 34 pages, 9 figures