少样本学习即簇诱导的 Voronoi 图：一种几何方法
机器学习
2022-02-08 v1 计算机视觉与模式识别
摘要
少样本学习（FSL）是从丰富的基样本向不足的新样本快速泛化的过程。尽管近年来研究广泛，FSL 仍未能针对广泛的真实应用生成令人满意的解决方案。为应对这一挑战，本文从几何视角研究 FSL 问题。一个观察是，被广泛采用的 ProtoNet 模型本质上是特征空间中的 Voronoi 图（VD）。我们利用计算几何中称为簇诱导 Voronoi 图（CIVD）的最新进展对其改进。从最简单的近邻模型出发，CIVD 逐步引入簇到点以及簇到簇的关系进行空间划分，用于在 FSL 的多个阶段提升精度与鲁棒性。具体而言，我们使用 CIVD（1）整合参数与非参数少样本分类器；（2）结合特征表示与代理表示；（3）并利用特征级、变换级与几何级异质性以实现更好的集成。我们基于 CIVD 的流程在 mini-ImageNet、CUB 和 tiered-ImageNet 数据集上取得了新的 SOTA 结果，相较次优方法提升约 。总之，CIVD 提供了一个数学优雅且几何可解释的框架，弥补极端数据不足，防止过拟合，并允许对成千上万个独立 VD 进行快速几何集成。这些共同使 FSL 更强大。
引用
@article{arxiv.2202.02471,
title = {Few-shot Learning as Cluster-induced Voronoi Diagrams: A Geometric Approach},
author = {Chunwei Ma and Ziyun Huang and Mingchen Gao and Jinhui Xu},
journal= {arXiv preprint arXiv:2202.02471},
year = {2022}
}
备注
Accepted for publication in ICLR 2022; https://openreview.net/forum?id=6kCiVaoQdx9