使用阶等变网络基于少样本的元学习单类分类
机器学习
2021-05-25 v3 星系天体物理
机器学习
摘要
本文提出了一种在测试时进行少样本单类分类（One-Class Classification, OCC）的元学习框架，该设定中仅正类有可用标注样本，且对负类样本无监督。我们设定拥有一组仅提供少量正类样本的“单类分类”目标任务，以及一组具有完整监督的训练任务（即高度不平衡的分类）。我们提出了一种使用阶等变网络来学习“元”二元分类器的方法。该模型将来自给定任务的待分类样本以及该 OCC 任务对应的正类监督集作为输入。因此，模型的输出将“以”给定任务的可用正类样本为“条件”，允许在没有标注负类样本的情况下对新任务和新样本进行预测。本文的动机来自天文学应用。我们的目标是识别恒星是否属于特定的恒星群（即给定任务的“单类”），称为 \textit{stellar streams}，其中每个恒星流是一个不同的 OCC 任务。我们表明，我们的方法在未见（测试）的合成流上具有良好的迁移效果，并且优于基线方法，尽管它没有被重新训练，并且在每个任务中仅访问了小部分数据进行预测（仅有正类监督）。然而，我们发现它在真实恒星流 GD-1 上的迁移效果不佳。这可能源于合成流与真实流之间的内在差异，凸显了该方法对任务“性质”一致性的要求。不过，轻量级的微调改善了性能并超越了我们的基线。我们的实验显示了令人鼓舞的结果，鼓励进一步探索用于 OCC 任务的元学习方法。
引用
@article{arxiv.2007.04459,
title = {Meta-Learning for One-Class Classification with Few Examples using Order-Equivariant Network},
author = {Ademola Oladosu and Tony Xu and Philip Ekfeldt and Brian A. Kelly and Miles Cranmer and Shirley Ho and Adrian M. Price-Whelan and Gabriella Contardo},
journal= {arXiv preprint arXiv:2007.04459},
year = {2021}
}