从少量样本泛化：少样本学习综述
机器学习
2020-03-31 v3 人工智能
摘要
机器学习在数据密集型应用中已取得高度成功，但在数据集较小时常受制约。近来，少样本学习（FSL）被提出以应对该问题。利用先验知识，FSL能够快速泛化到仅含少量带监督信息样本的新任务。本文进行了全面综述以充分理解FSL。从FSL的形式化定义出发，我们将其与若干相关机器学习问题区分开。随后指出FSL的核心问题在于所最小化的经验风险不可靠。基于先验知识如何处理该核心问题，我们从三个视角对FSL方法分类：（i）数据，利用先验知识扩充监督经验；（ii）模型，利用先验知识缩小假设空间规模；（iii）算法，利用先验知识改变在给定假设空间中对最优假设的搜索。借助该分类，我们回顾并讨论各类别的优劣。同时提出了在FSL问题设定、技术、应用与理论方面的有前景方向，为未来研究提供见解。
引用
@article{arxiv.1904.05046,
title = {Generalizing from a Few Examples: A Survey on Few-Shot Learning},
author = {Yaqing Wang and Quanming Yao and James Kwok and Lionel M. Ni},
journal= {arXiv preprint arXiv:1904.05046},
year = {2020}
}