关于元学习对支持数据的敏感性
机器学习
2021-10-28 v1
摘要
元学习算法被广泛用于少样本学习。例如，在仅看到少量标注样本后便能快速适应未见类别的图像识别系统。尽管取得成功，我们表明现代元学习算法对用于适应的数据（即支持数据）极度敏感。具体而言，我们证明了存在（未改动、分布内、自然）图像，当用于适应时，在标准少样本图像分类基准上产生的准确率可低至4%或高达95%。我们用类间隔解释上述实证发现，这进而表明鲁棒且安全的元学习需要比监督学习更大的间隔。
引用
@article{arxiv.2110.13953,
title = {On sensitivity of meta-learning to support data},
author = {Mayank Agarwal and Mikhail Yurochkin and Yuekai Sun},
journal= {arXiv preprint arXiv:2110.13953},
year = {2021}
}
备注
Accepted at NeurIPS 2021