嵌入传播：用于少样本分类的更平滑流形
计算机视觉与模式识别
2020-07-14 v2 机器学习
摘要
少样本分类具有挑战性，因为训练集的数据分布可能与测试集大不相同，因为它们的类别互不相交。这种分布偏移常导致泛化能力差。流形平滑已被证明能通过扩展决策边界并降低类表示的噪声来解决分布偏移问题。此外，流形平滑是半监督学习与转导学习算法的关键因素。在这项工作中，我们提出将嵌入传播用作少样本分类中流形平滑的无监督非参数正则化器。嵌入传播基于相似图在神经网络提取的特征之间进行插值。我们通过实验表明嵌入传播产生了更平滑的嵌入流形。我们还表明，将嵌入传播应用于转导分类器在 mini-Imagenet、tiered-Imagenet、Imagenet-FS 和 CUB 上取得了新的最先进结果。此外，我们表明在多个半监督学习场景中嵌入传播将模型准确率持续提升了多达 16% 个百分点。所提出的嵌入传播操作可作为一个非参数层轻松集成到神经网络中。我们在 https://github.com/ElementAI/embedding-propagation 提供了训练代码与使用示例。
引用
@article{arxiv.2003.04151,
title = {Embedding Propagation: Smoother Manifold for Few-Shot Classification},
author = {Pau Rodríguez and Issam Laradji and Alexandre Drouin and Alexandre Lacoste},
journal= {arXiv preprint arXiv:2003.04151},
year = {2020}
}
备注
Published at ECCV2020