FLAT:基于自编码变换正则化的小样本学习
计算机视觉与模式识别
2020-01-01 v1
摘要
小样本学习任务面临的最重大挑战之一,是(元)模型从基类别到新类别的泛化能力。现有多数小样本学习模型试图通过以下方式应对该挑战:从基类别上多个模拟任务中学习元知识,或对训练样本施加各种变换以进行数据增强。然而,这些方法中模型训练的监督性质限制了其探索不同类别间变化的能力,从而制约了其在建模新概念时的跨类别泛化性。为此,我们提出一种新颖的正则化机制:在不使用数据样本标签的情况下,学习由变换分布所诱导的特征表示变化。我们期望该正则化器能通过特征表示的变换,将基类别的语义空间扩展以覆盖新类别的语义空间。它能在编码特征层面检视变换增强的变化,从而最小化过拟合到基类别的风险。这催生了所提出的FLAT(基于自编码变换的小样本学习)方法,即对施加的变换进行自编码。实验结果表明,其性能优于文献中当前最先进的方法。
引用
@article{arxiv.1912.12674,
title = {FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers},
author = {Haohang Xu and Hongkai Xiong and Guojun Qi},
journal= {arXiv preprint arXiv:1912.12674},
year = {2020}
}