使网络能够浏览互联网
计算机视觉与模式识别
2021-02-25 v1
摘要
少样本学习由于数据和标签有限而具有挑战性。现有算法通常通过使用大量与目标域共享知识的标注数据预训练模型来解决此问题。然而，大量同质数据样本并非总是可得。为解决此问题，我们开发了一个使模型能够浏览互联网的框架，这意味着模型可以在无人工干预的情况下收集和标注数据。由于在线数据实际上是无限的且持续生成，模型从而能够不断从互联网获取最新知识。此外，我们观察到所学表示的泛化能力对自监督学习至关重要。为表明其重要性，我们提出了一种朴素而高效的归一化策略。该策略显著提升了模型的准确率（至多 20.46%）。我们在 miniImageNet、tieredImageNet 和 Omniglot 上通过实验证明了所提框架的优越性。结果表明，我们的方法大幅超越以往的无监督同类方法（超过 10%），并取得了与有监督方法相当的性能。
引用
@article{arxiv.2102.12205,
title = {Enabling the Network to Surf the Internet},
author = {Zhuoling Li and Haohan Wang and Tymoteusz Swistek and Weixin Chen and Yuanzheng Li and Haoqian Wang},
journal= {arXiv preprint arXiv:2102.12205},
year = {2021}
}