集成数据与GAN模型方法以提升少样本学习
机器学习
2024-11-26 v1
摘要
本文提出一种创新的方法，通过集成数据增强与模型微调，构建一个针对小样本数据挑战的框架。鉴于传统机器学习模型对大规模数据集的依赖——尤其是在药物发现、目标识别和恶意流量检测等领域——本研究提出一种新策略，利用生成对抗网络（GAN）和高级优化技术以提高限数据下的模型性能。具体而言，本文针对数据增强方法引入的噪声和偏差问题，对比了基于模型的方法（如微调和度量学习），后者高度依赖相关数据集。通过将蒙特卡洛链采样（MCMC）与判别模型集成策略结合进GAN框架中，所提出的模型调整生成与判别分布，以模拟更广泛的相关数据。此外，采用MHLoss和重新参数化的GAN集成以提升稳定性并加速收敛，最终在小样本图像和结构化数据集上实现更好的分类性能。结果表明，本研究开发的MhERGAN算法在少样本学习方面效果显著，为数据稀缺与高性能模型适应性和泛化性之间的实际解决方案提供了可能。
引用
@article{arxiv.2411.16567,
title = {Enhancing Few-Shot Learning with Integrated Data and GAN Model Approaches},
author = {Yinqiu Feng and Aoran Shen and Jiacheng Hu and Yingbin Liang and Shiru Wang and Junliang Du},
journal= {arXiv preprint arXiv:2411.16567},
year = {2024}
}