基于可解释概念的少样本学习原型网络
机器学习
2022-03-01 v1 计算机视觉与模式识别
摘要
少样本学习(FSL)旨在从仅有少量样本的类别中识别新实例。这一具有挑战性的任务通常通过在与相似任务上进行元学习来缓解。然而,由此得到的模型是黑盒模型。关于部署黑盒机器学习模型的担忧日益增长,FSL在这方面也不例外。本文提出一种基于一组人类可解释概念的FSL方法。该方法构建与这些概念相关联的一组度量空间,并通过聚合特定概念上的决策来对新颖类别的样本进行分类。所提方法不需要为查询样本提供概念标注。这一可解释方法在CUB细粒度鸟类分类数据集上取得了与六种先前最先进的黑盒FSL方法相当的结果。
引用
@article{arxiv.2202.13474,
title = {Interpretable Concept-based Prototypical Networks for Few-Shot Learning},
author = {Mohammad Reza Zarei and Majid Komeili},
journal= {arXiv preprint arXiv:2202.13474},
year = {2022}
}