学习传播标签：用于少样本学习的转导传播网络
机器学习
2019-02-11 v5 计算机视觉与模式识别
神经与进化计算
机器学习
摘要
少样本学习的目标是学习一个即使在每类仅有有限训练样本的情况下也能良好泛化的分类器。近期提出的元学习方法通过在大量多类分类任务上学习通用分类器并将模型泛化到新任务来解决该问题。然而，即便采用此类元学习，新分类任务中的低数据问题依然存在。本文提出转导传播网络（TPN），一种用于转导推断的新型元学习框架，其一次性对整个测试集进行分类以缓解低数据问题。具体而言，我们提出通过学习一个利用数据中流形结构的图构建模块，来学习将标签从有标签样本传播到无标签测试样本。TPN以端到端方式联合学习特征嵌入的参数与图构建。我们在多个基准数据集上验证了TPN，其大幅优于现有少样本学习方法并取得了最先进（state-of-the-art）结果。
引用
@article{arxiv.1805.10002,
title = {Learning to Propagate Labels: Transductive Propagation Network for Few-shot Learning},
author = {Yanbin Liu and Juho Lee and Minseop Park and Saehoon Kim and Eunho Yang and Sung Ju Hwang and Yi Yang},
journal= {arXiv preprint arXiv:1805.10002},
year = {2019}
}
备注
Accepted in ICLR 2019; code available at https://github.com/csyanbin/TPN