面向少样本学习的模型无关图正则化
机器学习
2021-02-16 v1 计算机视觉与模式识别
摘要
在许多领域中，类别之间的关系被编码在知识图谱中。最近，在具有严重有限数据的困难分类任务中，将知识图谱作为辅助信息引入已取得有前景的结果。然而，先前的模型由高度复杂的架构组成，包含许多似乎都影响性能的子系统。在本文中，我们对图嵌入少样本学习进行了全面的实证研究。我们引入了一种图正则化方法，可深入理解在标签间引入图信息的影响。我们提出的正则化具有广泛适用性和模型无关性，并能提升任何少样本学习模型的性能，包括微调、基于度量和基于优化的元学习。我们的方法在 Mini-ImageNet 上将强基学习器的性能提升高达 2%，在 ImageNet-FS 上提升 6.7%，优于最先进的图嵌入方法。进一步的分析表明，图正则化模型在更困难的任务（如更少样本和更少信息支持样本的任务）上损失更低。
引用
@article{arxiv.2102.07077,
title = {Model-Agnostic Graph Regularization for Few-Shot Learning},
author = {Ethan Shen and Maria Brbic and Nicholas Monath and Jiaqi Zhai and Manzil Zaheer and Jure Leskovec},
journal= {arXiv preprint arXiv:2102.07077},
year = {2021}
}
备注
NeurIPS Workshop on Meta-Learning 2020