具有任务自适应损失函数的元学习用于少样本学习
机器学习
2021-10-19 v2 计算机视觉与模式识别
摘要
在少样本学习场景中,挑战在于当每个任务仅有极少标注样本可用时,对新的未见样本实现良好泛化。模型无关元学习(MAML)因其灵活性和对多样问题的适用性,已成为代表性少样本学习方法之一而广受欢迎。然而,MAML及其变体常采用简单损失函数,无任何可助益更好泛化的辅助损失函数或正则化项。问题在于每个应用和任务可能需要不同的辅助损失函数,尤其在任务多样且迥异时。我们未试图为每个应用和任务手工设计辅助损失函数,而是引入了一种新的元学习框架,其损失函数可自适应每个任务。我们提出的框架名为具有任务自适应损失函数的元学习(MeTAL),在少样本分类和少样本回归等多个领域展现了有效性与灵活性。
引用
@article{arxiv.2110.03909,
title = {Meta-Learning with Task-Adaptive Loss Function for Few-Shot Learning},
author = {Sungyong Baik and Janghoon Choi and Heewon Kim and Dohee Cho and Jaesik Min and Kyoung Mu Lee},
journal= {arXiv preprint arXiv:2110.03909},
year = {2021}
}
备注
ICCV 2021 (Oral). Code at https://github.com/baiksung/MeTAL