枢纽点与超球面：以超球面嵌入降低枢纽性并改进直推式少样本学习
计算机视觉与模式识别
2023-03-17 v1
摘要
基于距离的分类常用于直推式少样本学习（FSL）。然而，由于图像表示的高维性，FSL分类器易遭受枢纽点（hubness）问题，即少数点（枢纽点）频繁出现在其他点的多个最近邻列表中。当来自一类的枢纽点频繁出现于另一类点的最近邻中时，枢纽性会对基于距离的分类产生负面影响，降低分类器性能。为解决FSL中的枢纽性问题，我们首先证明通过将表示均匀分布于超球面上可消除枢纽性。随后我们提出两种将表示嵌入超球面的新方法，并证明它们优化了均匀性与局部相似性保持之间的权衡——在降低枢纽性的同时保留类结构。我们的实验表明，所提方法降低了枢纽性，并显著提升了多种分类器在直推式FSL上的准确率。
引用
@article{arxiv.2303.09352,
title = {Hubs and Hyperspheres: Reducing Hubness and Improving Transductive Few-shot Learning with Hyperspherical Embeddings},
author = {Daniel J. Trosten and Rwiddhi Chakraborty and Sigurd Løkse and Kristoffer Knutsen Wickstrøm and Robert Jenssen and Michael C. Kampffmeyer},
journal= {arXiv preprint arXiv:2303.09352},
year = {2023}
}
备注
CVPR 2023