从仅有一张样本中学习
计算机视觉与模式识别
2024-05-22 v2 人工智能
摘要
人类能从极少样例以及在对类似任务的少量预训练上泛化。然而，机器学习（ML）通常需要大量数据来学习或预学习以迁移。受先天论与通用人工智能的启发，我们直接在字符与涂鸦识别等抽象视觉任务中建模人类先天先验。这产生了一个白盒模型，通过模仿人类在初见物体时自然“扭曲”物体的方式学习通用外观相似性。仅在该认知启发的相似性空间上使用最近邻分类，我们便以每类仅 – 个样例且无预训练达到人类水平的识别。这不同于使用大规模预训练的少样本学习。在 MNIST、EMNIST、Omniglot 和 QuickDraw 基准的小数据场景下，我们优于现代神经网络与经典 ML。对于无监督学习，通过在 -means 风格中学习非欧几里得通用外观相似性空间，我们以生成人类直觉的原型作为聚类质心，实现了抽象概念的多重视觉呈现。
引用
@article{arxiv.2201.08815,
title = {Learning from One and Only One Shot},
author = {Haizi Yu and Igor Mineyev and Lav R. Varshney and James A. Evans},
journal= {arXiv preprint arXiv:2201.08815},
year = {2024}
}