LGM-Net：学习生成用于少样本学习的匹配网络
机器学习
2019-05-17 v1 机器学习
摘要
本文提出一种用于少样本分类的新型元学习方法，其跨任务学习可迁移的先验知识，并直接为带有训练样本的相似未知任务生成网络参数。我们的方法称为 LGM-Net，包含两个关键模块，即 TargetNet 和 MetaNet。TargetNet 模块是用于解决特定任务的神经网络，MetaNet 模块旨在通过观测训练样本来学习生成 TargetNet 的功能权重。我们还提出了一种用于训练过程的任务间归一化策略，以利用不同任务间共享的通用信息。在 Omniglot 和 miniImageNet 数据集上的实验结果表明，LGM-Net 能有效适应相似未知任务并取得有竞争力的性能，在合成数据集上的结果表明 MetaNet 模块通过将训练数据映射到功能权重学习了可迁移的先验知识。与其他元学习方法相比，LGM-Net 无需进一步调优步骤，因此可实现快速学习与适应。
引用
@article{arxiv.1905.06331,
title = {LGM-Net: Learning to Generate Matching Networks for Few-Shot Learning},
author = {Huaiyu Li and Weiming Dong and Xing Mei and Chongyang Ma and Feiyue Huang and Bao-Gang Hu},
journal= {arXiv preprint arXiv:1905.06331},
year = {2019}
}
备注
To appear in ICML2019