少样本学习中的双曲与欧氏嵌入：一枚硬币的两面
计算机视觉与模式识别
2023-09-20 v1 机器学习
摘要
表征学习近期的研究表明，层次化数据在双曲空间中能够获得低维且信息丰富的表征。然而，即便双曲嵌入在图像识别中已引起关注，其优化仍易遭遇数值障碍。此外，与传统欧氏特征相比，尚不清楚哪些应用能从双曲性所施加的隐式偏置中获益最多。本文聚焦于原型双曲神经网络，尤其关注高维下双曲嵌入趋于庞加莱球边界的趋势，以及该趋势对少样本分类的影响。我们表明，最佳的少样本结果出现在处于共同双曲半径的双曲嵌入上。与先前的基准结果相反，我们证明，无论嵌入维度如何，配备欧氏度量的定半径编码器都能取得更优性能。
引用
@article{arxiv.2309.10013,
title = {Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of the Same Coin},
author = {Gabriel Moreira and Manuel Marques and João Paulo Costeira and Alexander Hauptmann},
journal= {arXiv preprint arXiv:2309.10013},
year = {2023}
}
备注
Accepted for WACV 2024