面向真实支持-查询偏移少样本学习的双重对抗对齐
计算机视觉与模式识别
2023-09-06 v1 人工智能
摘要
支持-查询偏移少样本学习旨在基于在支持集与查询集之间存在分布偏移的低维空间中学习到的嵌入，将未见样本（查询集）分类到带标签数据（支持集）。然而，在真实场景中，偏移通常是未知且多样的，难以提前估计。因此，在本文中，我们提出了一种新颖但更困难的挑战，RSQS，聚焦于真实支持-查询偏移少样本学习。RSQS的关键特征是元任务中的单个样本在每个元任务中经受多种分布偏移。此外，我们提出一种称为双重对抗对齐框架（DuaL）的统一对抗特征对齐方法，从域间偏差与域内方差两个方面缓解RSQS。一方面，对于域间偏差，我们提前破坏原始数据，并使用合成扰动输入通过最小化特征层距离来训练修复网络。另一方面，对于域内方差，我们提出一个生成器网络以自监督方式从支持集合成困难的（即较不相似的）样本，并引入正则化最优传输以导出平滑的最优传输计划。最后，我们在三个数据集（CIFAR100、mini-ImageNet和Tiered-Imagenet）上以若干最先进基线构建了RSQS基准。实验结果表明，在我们的基准中DuaL显著优于最先进方法。
引用
@article{arxiv.2309.02088,
title = {Dual Adversarial Alignment for Realistic Support-Query Shift Few-shot Learning},
author = {Siyang Jiang and Rui Fang and Hsi-Wen Chen and Wei Ding and Ming-Syan Chen},
journal= {arXiv preprint arXiv:2309.02088},
year = {2023}
}
备注
Best student paper in PAKDD 2022