MetaDT：基于类层级元决策树的可解释小样本学习
机器学习
2023-07-27 v2 计算机视觉与模式识别
摘要
小样本学习（FSL）是一项具有挑战性的任务，旨在利用少量样本识别新类别。近来，从元学习和表示学习的角度提出了大量方法。然而，极少有工作关注 FSL 决策过程的可解释性。本文通过提出一种新颖的基于元学习的决策树框架（即 MetaDT）向可解释 FSL 迈出了一步。具体而言，FSL 可解释性从概念与视觉两个方面实现。在概念方面，我们首先引入树状概念层级作为 FSL 先验；然后借助该先验，将每个小样本任务划分为一组具有不同概念层次的子任务，并通过决策树模型执行类别预测。此种设计的优势在于可获得导致最终类别预测的一系列高层概念决策，从而厘清 FSL 决策过程。在视觉方面，设计了一组具有视觉注意力机制的子任务特定分类器，以在决策树各节点执行决策。由此可获得子任务特定的热图可视化，实现每个树节点的决策可解释性。最后，为缓解 FSL 的数据稀缺问题，我们将概念层级先验视为无向图，并设计基于图卷积的决策树推断网络作为元学习器来推断决策树参数。关于性能比较与可解释性分析的大量实验显示了我们 MetaDT 的优越性。
引用
@article{arxiv.2203.01482,
title = {MetaDT: Meta Decision Tree with Class Hierarchy for Interpretable Few-Shot Learning},
author = {Baoquan Zhang and Hao Jiang and Xutao Li and Shanshan Feng and Yunming Ye and Rui Ye},
journal= {arXiv preprint arXiv:2203.01482},
year = {2023}
}
备注
10 pages, 7 figures