面向少样本学习的概念学习器
机器学习
2021-03-23 v3 计算机视觉与模式识别
机器学习
摘要
开发能够在仅给定少量标注样本的情况下泛化到新任务的算法，是缩小机器与人类水平性能差距的基本挑战。人类认知的核心在于结构化、可复用的概念，这些概念帮助我们快速适应新任务并提供决策背后的推理。然而，现有元学习方法在先前标注任务上学习复杂表示，而不对所学表示施加任何结构。在此我们提出 COMET，一种通过沿人类可解释概念维度学会学习来提升泛化能力的元学习方法。COMET 不是学习联合非结构化度量空间，而是学习将高级概念映射到半结构化度量空间，并有效组合独立概念学习器的输出。我们在来自不同领域的少样本任务上评估我们的模型，包括细粒度图像分类、文档分类以及在我们工作中开发的生物领域新数据集上的细胞类型标注。COMET 显著优于强元学习基线，在最具挑战性的 1-shot 学习任务上取得 6-15% 的相对提升，同时与现有方法不同，提供了模型预测背后的解释。
引用
@article{arxiv.2007.07375,
title = {Concept Learners for Few-Shot Learning},
author = {Kaidi Cao and Maria Brbic and Jure Leskovec},
journal= {arXiv preprint arXiv:2007.07375},
year = {2021}
}
备注
Published at ICLR 2021