面向少样本学习的跨元任务元学习
机器学习
2020-09-29 v4 机器学习
摘要
现有的基于元学习的少样本学习（FSL）方法通常采用情景训练策略，即每个情景包含一个元任务。在不同情景之间，这些任务被随机采样且忽略了它们之间的关系。本文认为应利用元任务间的关系，并策略性地采样这些任务以辅助元学习。具体而言，我们考虑在两类元任务对上定义的关系，并提出不同的策略加以利用。（1）具有不相交类别集合的两个元任务：该任务对很有意义，因为它让人联想到源可见类别与目标不可见类别之间的关系，其特征是类别差异引起的域间隙。我们提出一种称为元域适应（MDA）的新学习目标，使元学习模型对域间隙更鲁棒。（2）具有相同类别集合的两个元任务：该任务对很有用，因为它可用于学习对采样不佳的少样本鲁棒的模型。为此，我们构建了一种新的元知识蒸馏（MKD）目标。实验中存在一些错误。因此我们选择撤回本文。
引用
@article{arxiv.2002.04274,
title = {Meta-Learning across Meta-Tasks for Few-Shot Learning},
author = {Nanyi Fei and Zhiwu Lu and Yizhao Gao and Jia Tian and Tao Xiang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2002.04274},
year = {2020}
}
备注
There are some mistakes in the experiments. We thus choose to withdraw this paper