少即足够：用于脑细胞分类的任务增强主动元学习
计算机视觉与模式识别
2020-07-13 v1
摘要
深度神经网络（DNN）在目标任务或数据采集协议发生变化时，必须不断应对输入数据中的分布变化。从头重训网络以应对该问题代价高昂。元学习旨在提供一种对这些潜在分布变化敏感的自适应模型，但需要在元训练过程中使用大量任务。本文中，我们提出一种任务增强主动元学习（AGILE）方法，通过使用少量训练样本高效地将DNN适配到新任务。AGILE将元学习算法与一种新颖的任务增强技术结合，用以生成初始自适应模型；随后利用贝叶斯dropout不确定性估计在新任务更新模型时主动选择最困难的样本。这使得AGILE能以更少的任务与少量信息性样本学习，在有限数据集下实现高性能。我们使用脑细胞分类任务进行实验，并将结果与从头训练的普通元学习模型比较。我们表明所提出的任务增强元学习框架能在单次梯度步后以有限训练样本学习分类新细胞类型。我们表明在训练样本数极少时，基于贝叶斯不确定性的主动学习可进一步提升性能。仅使用1%的训练数据与单次更新步，我们在新细胞类型分类任务上达到90%准确率，较最先进元学习算法提升50个百分点。
引用
@article{arxiv.2007.05009,
title = {Few Is Enough: Task-Augmented Active Meta-Learning for Brain Cell Classification},
author = {Pengyu Yuan and Aryan Mobiny and Jahandar Jahanipour and Xiaoyang Li and Pietro Antonio Cicalese and Badrinath Roysam and Vishal Patel and Maric Dragan and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2007.05009},
year = {2020}
}