面向少样本分类的课程元学习
机器学习
2021-12-07 v1
摘要
我们提出了一种对课程训练框架的适配方案，可应用于最先进的少样本分类元学习技术。基于课程的训练通常试图通过逐步增加训练复杂度来实现增量概念学习，从而模仿人类学习。由于元学习者的目标是学习如何尽可能从极少样本中学习，那些样本的确切数量（即支持集的大小）自然成为给定任务难度的代理指标。我们定义了一种简单而新颖的课程调度，从较大的支持集大小开始，在训练过程中逐步减小，最终匹配测试设置的期望样本数（shot-size）。该提出的方法提升了学习效率和泛化能力。我们在两个少样本图像分类任务上用 MAML 算法进行的实验显示了课程训练框架带来的显著增益。消融研究证实了我们所提方法独立于模型架构以及元学习超参数。
引用
@article{arxiv.2112.02913,
title = {Curriculum Meta-Learning for Few-shot Classification},
author = {Emmanouil Stergiadis and Priyanka Agrawal and Oliver Squire},
journal= {arXiv preprint arXiv:2112.02913},
year = {2021}
}