弥合少样本学习与自适应：支持-查询偏移的新挑战
机器学习
2021-08-06 v2 计算机视觉与模式识别
摘要
少样本学习（FSL）算法仅利用少量标注数据学习新概念，已取得实质性进展。为了在测试时分类来自未见类别的查询样本，它们仅需一个由少量标注样本组成的支持集。FSL基准通常假设这些查询与支持集中的样本来自同一分布。然而，在真实场景中，数据分布很可能发生变化，这种情况被称为分布偏移（DS）。本工作研究少样本学习在支持/查询偏移（FSQS）下的新且具挑战性的问题，即支持样本与查询样本从相关但不同的分布中采样。我们的贡献如下：首先，我们发布了一个FSQS测试平台，包含数据集、相关基线以及严格且可复现的评估协议。其次，我们观察到成熟的FSL算法在面对FSQS时准确率出现意料之中的显著下降，凸显了本研究的重要性。最后，我们表明直推式算法能够限制DS带来的不利影响。特别地，我们研究了批归一化与最优传输（OT）在分布对齐中的作用，将无监督域自适应与FSL相桥接。这催生了一种将OT与著名的原型网络高效结合的新方法。我们通过有力的实验证明了该方法的优势。我们的工作通过提供测试平台与强基线，开启了一条令人振奋的研究路线。我们的代码可在 https://github.com/ebennequin/meta-domain-shift 获取。
引用
@article{arxiv.2105.11804,
title = {Bridging Few-Shot Learning and Adaptation: New Challenges of Support-Query Shift},
author = {Etienne Bennequin and Victor Bouvier and Myriam Tami and Antoine Toubhans and Céline Hudelot},
journal= {arXiv preprint arXiv:2105.11804},
year = {2021}
}
备注
ECML-PKDD 2021