从小样本学习：少样本学习方法综述
机器学习
2022-03-10 v1 计算机视觉与模式识别
摘要
少样本学习（Few-Shot Learning）指仅从少量训练样本中学习数据底层模式的问题。许多深度学习方案需要大量数据样本，受困于数据饥渴及极高的计算时间与资源消耗。此外，数据常因问题本身性质、隐私顾虑以及数据准备成本而不可得。数据收集、预处理与标注是繁重的人力任务。因此，能大幅缩短构建机器学习应用周转时间的少样本学习成为一种低成本方案。本综述论文汇集了近期提出的少样本学习算法的代表性列表。基于学习动态与特性，从元学习、迁移学习及混合方法（即少样本学习问题的不同变体）的视角讨论了少样本学习问题的各类方法。
引用
@article{arxiv.2203.04291,
title = {Learning from Few Examples: A Summary of Approaches to Few-Shot Learning},
author = {Archit Parnami and Minwoo Lee},
journal= {arXiv preprint arXiv:2203.04291},
year = {2022}
}
备注
32 pages, 20 figures, 9 tables