面向多标签单样本学习的组合嵌入方法
机器学习
2020-11-16 v5 机器学习
摘要
我们提出一种组合嵌入框架，在单样本学习设定下不仅推断每幅输入图像的单个类别，而是推断一组类别。具体而言，我们提出并评估了若干新颖模型，包括（1）嵌入函数 f 与“组合”函数 g 联合训练，g 计算两个嵌入向量所编码类别之间的集合并运算；以及（2）嵌入 f 与“查询”函数 h 联合训练，h 计算一个嵌入所编码类别是否包含另一嵌入所编码类别。与先前工作不同，这些模型必须同时感知与输入样本关联的类别并编码不同类别标签集之间的关系，且仅使用由训练样本间标签集关系构成的弱单样本监督进行训练。在OmniGlot、Open Images和COCO数据集上的实验表明，所提出的组合嵌入模型优于现有嵌入方法。我们的组合嵌入模型可应用于单样本与有监督学习下的多标签目标识别。
引用
@article{arxiv.2002.04193,
title = {Compositional Embeddings for Multi-Label One-Shot Learning},
author = {Zeqian Li and Michael C. Mozer and Jacob Whitehill},
journal= {arXiv preprint arXiv:2002.04193},
year = {2020}
}