定义持续少样本学习的基准
计算机视觉与模式识别
2020-04-28 v1 机器学习
机器学习
摘要
由于适当基准的引入,少样本学习和持续学习在过去几年都取得了实质性进展。即便如此,该领域仍未针对高度理想的持续少样本学习设定构建一套基准,其中学习者依次面对若干少样本任务,然后被要求在一个源自所有先前所见任务的验证集上表现良好。持续少样本学习具有较小的计算开销,因此是进行高效研究与实验的极佳设定。在本文中,我们首先考虑近期文献,定义持续少样本学习的理论框架,随后提出一系列灵活基准,统一评价标准并允许从多视角探究该问题。作为基准的一部分,我们引入了ImageNet的紧凑变体,称为SlimageNet64,其保留全部原始1000个类别但每类仅含200个实例(总计200K数据点),并下采样至64×64像素。我们使用若干流行少样本学习算法为所提基准提供基线,从而揭示了这些算法在持续与数据受限设定中先前未知的优势与弱点。
引用
@article{arxiv.2004.11967,
title = {Defining Benchmarks for Continual Few-Shot Learning},
author = {Antreas Antoniou and Massimiliano Patacchiola and Mateusz Ochal and Amos Storkey},
journal= {arXiv preprint arXiv:2004.11967},
year = {2020}
}