用于少样本学习的无限混合原型
机器学习
2019-02-13 v1 机器学习
摘要
我们提出无限混合原型，以自适应地表示少样本学习中简单与复杂的数据分布。与现有将每个类表示为单个聚类的原型方法不同，我们的无限混合原型将每个类表示为一组聚类。通过推断聚类数量，无限混合原型在最近邻与原型表示之间进行插值，从而在少样本情形下提高准确性与鲁棒性。我们展示了自适应容量对于捕捉字母表等复杂数据分布的重要性，其绝对准确率比原型网络提高25%，同时在标准Omniglot和mini-ImageNet基准上仍保持或提高了准确率。通过使用相同聚类规则对标记与未标记数据进行聚类，无限混合原型实现了最先进的半监督准确率。作为进一步的能力，我们展示了无限混合原型可执行纯无监督聚类，而现有原型方法则不能。
引用
@article{arxiv.1902.04552,
title = {Infinite Mixture Prototypes for Few-Shot Learning},
author = {Kelsey R. Allen and Evan Shelhamer and Hanul Shin and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1902.04552},
year = {2019}
}