Interval Bound Interpolation for Few-shot Learning with Few Tasks
机器学习
2023-05-09 v4
摘要
小样本学习旨在将从多样化任务集训练中获取的知识，迁移到来自同一任务分布但仅有有限标记数据的未见任务上。有效小样本泛化的基本要求是学习任务流形的一个良好表示。当只有有限数量的任务可用于训练时，这变得更加困难。在这种少任务小样本设置下，显式地保留任务流形的局部邻域，并利用这一点生成人工任务进行训练是有益的。为此，我们将可证明鲁棒训练文献中的区间界限概念引入小样本学习。区间界限用于刻画训练任务周围的邻域。然后，通过最小化任务与其相应界限之间的距离，可以保留这些邻域。我们随后使用一种新颖的策略，通过在可用任务及其各自的区间界限之间进行插值，人工形成新的训练任务。我们将我们的框架应用于模型无关元学习以及基于原型的度量学习范式。与当前方法相比，在来自不同领域的多个数据集上性能的提升，证明了我们提出的方法的有效性。
引用
@article{arxiv.2204.03511,
title = {Interval Bound Interpolation for Few-shot Learning with Few Tasks},
author = {Shounak Datta and Sankha Subhra Mullick and Anish Chakrabarty and Swagatam Das},
journal= {arXiv preprint arXiv:2204.03511},
year = {2023}
}