DPGN：用于少样本学习的分布传播图网络
计算机视觉与模式识别
2020-04-02 v2
摘要
大多数基于图网络的元学习方法对样本的实例级关系进行建模。我们将这一思想进一步扩展，以1对N的方式显式建模一个样本与所有其他样本的分布级关系。我们提出一种名为分布传播图网络（distribution propagation graph network, DPGN）的少样本学习新方法。它在每个少样本学习任务中传递分布级关系和实例级关系。为结合所有样本的分布式级关系与实例级关系，我们构建了一个双完全图网络，由点图和分布图组成，每个节点代表一个样本。借助双图架构，DPGN在若干更新世代内将标签信息从有标签样本传播到无标签样本。在少样本学习基准的广泛实验中，DPGN在有监督设定下以5%∼12%的幅度、在半监督设定下以7%∼13%的幅度大幅优于SOTA结果。代码将公开。
引用
@article{arxiv.2003.14247,
title = {DPGN: Distribution Propagation Graph Network for Few-shot Learning},
author = {Ling Yang and Liangliang Li and Zilun Zhang and Xinyu Zhou and Erjin Zhou and Yu Liu},
journal= {arXiv preprint arXiv:2003.14247},
year = {2020}
}
备注
Accepted by CVPR 2020