基于在线属性选择的可解释少样本学习

少样本学习（FSL）是一种具有挑战性的学习问题，其中每个类仅有少量样本可用。由于相比传统分类有更大的出错可能，决策解释在少样本分类中更为重要。然而，先前大多数 FSL 方法都是黑盒模型。在本文中，我们提出了一种基于人类友好属性的、内在可解释的 FSL 模型。此前，人类友好属性已被用于训练具有人机交互潜力与可解释性的模型。但此类方法无法直接推广到少样本分类场景。此外，我们提出了一种在线属性选择机制，以在每个回合中有效过滤掉无关属性。该属性选择机制通过减少每个回合中参与的属性数量来提高准确率并有助于可解释性。我们进一步提出了一种机制，可自动检测可用人类友好属性池不足的回合，并通过引入一些习得未知属性对其进行扩充。我们证明了所提方法在四个广泛使用的数据集上取得了与黑盒少样本学习模型相当的结果。我们还从经验上评估了不同模型与人类理解之间的决策对齐程度，并表明我们的模型基于该准则优于对比方法。