基于元度量学习器的少样本学习
机器学习
2019-01-30 v1 人工智能
机器学习
摘要
少样本学习旨在仅利用每类少量训练样本为新类别学习分类器。现有的基于元学习或度量学习的少样本学习方法在处理具有不同标签数量的多样领域时存在局限。元学习方法训练一个元学习器来预测同构结构的任务特定网络的权重，这要求各任务类别数一致。度量学习方法为所有任务学习一个任务不变的度量，若任务发散则会失效。我们提出用元度量学习来解决这些局限。我们的元度量学习方法由任务特定学习器与元学习器组成：前者利用度量学习处理灵活的标签，后者发现良好参数与梯度下降以指定任务特定学习器中的度量。因此，所提模型能够处理不平衡类别，并生成任务特定的度量。我们在先前工作所用的“-shot -way”少样本学习设定以及具有多样多领域任务和灵活标签数的新现实少样本设定下测试了我们的方法。实验表明，我们的方法在两种设定下均取得了优越性能。
引用
@article{arxiv.1901.09890,
title = {Few-shot Learning with Meta Metric Learners},
author = {Yu Cheng and Mo Yu and Xiaoxiao Guo and Bowen Zhou},
journal= {arXiv preprint arXiv:1901.09890},
year = {2019}
}
备注
Published in NIPS 2017 workshop on Meta-Learning, arXiv version