MetaMix：基于插值一致性正则化的改进元学习
计算机视觉与模式识别
2020-10-13 v2
摘要
模型无关元学习（MAML）及其变体是流行的少样本分类方法。它们跨多种采样学习任务（亦称情景）训练一个初始化器，使得初始化后的模型能快速适应新任务。然而，当前基于 MAML 的算法在形成可泛化决策边界方面存在局限。本文提出一种称为 MetaMix 的方法。它在每个情景内生成虚拟特征-目标对以正则化骨干模型。MetaMix 可集成于任意基于 MAML 的算法，并学习对新任务泛化更好的决策边界。在 mini-ImageNet、CUB 与 FC100 数据集上的实验表明，MetaMix 提升了基于 MAML 算法的性能，且在集成 Meta-Transfer Learning 时取得最优结果。
引用
@article{arxiv.2009.13735,
title = {MetaMix: Improved Meta-Learning with Interpolation-based Consistency Regularization},
author = {Yangbin Chen and Yun Ma and Tom Ko and Jianping Wang and Qing Li},
journal= {arXiv preprint arXiv:2009.13735},
year = {2020}
}
备注
8 pages, 3 figures, 3 tables. Accepted by 25th International Conference on Pattern Recognition (ICPR) 2020