集成少样本分类器的诊断
机器学习
2023-08-10 v1
摘要
集成少样本分类器中的基学习器和带标签样本（ shots）极大地影响模型性能。当性能不理想时，通常难以理解其潜在原因并作出改进。为解决此问题，我们提出了一种可视化分析方法 FSLDiagnotor。给定一组基学习器和少量样本的样例集合，我们考虑两个问题：1) 寻找一个能良好预测样例集合的基学习器子集；2) 用更具代表性的样本替换低质量 shots，以充分表示样例集合。我们将这两个问题都表述为稀疏子集选择，并开发了两种选择算法分别推荐合适的基学习器和 shots。我们将矩阵可视化与散点图结合，在上下文中解释推荐的基学习器和 shots，并便于用户进行调整。基于调整，算法更新推荐结果以进行下一轮改进。两个案例研究表明，FSLDiagnotor 有助于高效构建少样本分类器，并分别将准确率提高了 12% 和 21%。
引用
@article{arxiv.2206.04372,
title = {Diagnosing Ensemble Few-Shot Classifiers},
author = {Weikai Yang and Xi Ye and Xingxing Zhang and Lanxi Xiao and Jiazhi Xia and Zhongyuan Wang and Jun Zhu and Hanspeter Pfister and Shixia Liu},
journal= {arXiv preprint arXiv:2206.04372},
year = {2023}
}
备注
Accepted in IEEE TVCG