一表征统御全局：以通用表征识别少样本学习中的支持集外样本
机器学习
2021-06-04 v1 人工智能
计算机视觉与模式识别
度量几何
摘要
少样本学习领域在开发能够在小数据场景下运行的强大模型方面取得了显著进展。几乎所有这些方法都假设遇到的每个无标签实例都属于少数几个已知类别，且这些类别已有样本。这对于经常遇到“以上皆非”样本的真实世界用例而言可能存在问题。在本文中，我们描述了识别我们称之为“支持集外”(OOS) 样本的这一挑战。我们阐述了该问题如何与分布外检测存在微妙差异，并描述了一种在 Prototypical Networks 框架内利用我们称为通用表征的不动点来识别 OOS 样本的新方法。我们表明，我们的方法优于文献中其他现有方法以及我们在本文中提出的其他方法。最后，我们研究了此类通用点的使用如何影响模型特征空间的几何结构。
引用
@article{arxiv.2106.01423,
title = {One Representation to Rule Them All: Identifying Out-of-Support Examples in Few-shot Learning with Generic Representations},
author = {Henry Kvinge and Scott Howland and Nico Courts and Lauren A. Phillips and John Buckheit and Zachary New and Elliott Skomski and Jung H. Lee and Sandeep Tiwari and Jessica Hibler and Courtney D. Corley and Nathan O. Hodas},
journal= {arXiv preprint arXiv:2106.01423},
year = {2021}
}
备注
15 pages