用于小样本学习的高阶结构保持图神经网络
计算机视觉与模式识别
2020-06-01 v1 机器学习
摘要
小样本学习可以通过元学习的相似性度量找到先验知识与查询数据之间的潜在结构信息，从而构建判别模型，以识别只有少量标注样本的新类别。现有大多数方法试图对任务内部的样本相似性关系进行建模，并将模型泛化以识别新类别。然而，由于各自任务中度量准则不同，分离任务之间的样本关系难以被考虑。相比之下，所提出的高阶结构保持图神经网络（HOSP-GNN）能够进一步挖掘样本的丰富结构，在图上预测查询数据的标签，使得结构演化能够通过在流形结构约束下迭代更新高阶结构关系（多样本间的相对度量，而非成对样本度量）来显式区分类别。HOSP-GNN 不仅能挖掘高阶结构以补充在元学习中可能被划分到不同任务的样本间的相关性，还能通过流形约束生成结构更新的规则。此外，HOSP-GNN 不需要为识别新类而重新训练学习模型，并且 HOSP-GNN 具有良好泛化能力的高阶结构以适应模型。实验表明，在 miniImageNet、tieredImageNet 和 FC100 三个基准数据集上，HOSP-GNN 在监督和半监督小样本学习方面均优于 SOTA 方法。
引用
@article{arxiv.2005.14415,
title = {High-order structure preserving graph neural network for few-shot learning},
author = {Guangfeng Lin and Ying Yang and Yindi Fan and Xiaobing Kang and Kaiyang Liao and Fan Zhao},
journal= {arXiv preprint arXiv:2005.14415},
year = {2020}
}