EOL：通过增强异常值逻辑值实现传递式少样本开集识别
计算机视觉与模式识别
2024-08-06 v1 机器学习
摘要
在少样本学习（FSL）中，模型根据支持集中的少量标注样本训练，以识别查询集中的未见类别。标准 FSL 中，模型在来自支持集相同类别分布的查询实例上进行评估。本工作探讨了更为精细且实际的开放集少样本识别（OSFSL）挑战。与标准 FSL 不同，OSFSL 将未知类别纳入查询集，从而要求模型不仅要对已知类别进行分类，还要识别异常值。在前期研究的基础上，我们定义了一种利用 InfoMax 原理利用未标注查询集的新型传递式推理方法。我们将该方法称为增强异常值逻辑值（EOL）方法。EOL 通过模型校准优化类别原型表示，有效平衡了内群与异常值的比例。该校准提升了查询集伪标签的准确性，并改善了传递式推理过程中的优化目标。我们提供了全面的实证评估，结果表明 EOL 在多种分类和异常检测指标及基准测试上持续超越传统方法，性能提升约 +1.3% 至 +6.3%，即使在存在内群-异常值不平衡的情况下依然如此。
引用
@article{arxiv.2408.02052,
title = {EOL: Transductive Few-Shot Open-Set Recognition by Enhancing Outlier Logits},
author = {Mateusz Ochal and Massimiliano Patacchiola and Malik Boudiaf and Sen Wang},
journal= {arXiv preprint arXiv:2408.02052},
year = {2024}
}
备注
19 pages