属性序列上的一次性学习
机器学习
2022-01-25 v1 人工智能
摘要
在过去十年中，一次性学习已成为一个重要的研究课题，并具有许多实际应用。一次性学习的目标是在每类仅有一个标注样本的情况下对未标注实例进行分类。传统的一次性学习问题设定主要关注已处于特征空间中的数据（如图像）。然而，现实应用中的数据实例往往更为复杂，且可能无法获得特征向量。在本文中，我们研究属性序列上的一次性学习问题，其中每个实例由一组属性（如用户画像）和一系列类别型条目（如点击流）组成。该问题对于从欺诈预防到网络入侵检测等一系列现实应用至关重要。由于属性与序列之间存在依赖关系，该问题比传统一次性学习更具挑战性。我们设计了一个深度学习框架 OLAS 来解决该问题。所提出的 OLAS 利用孪生网络从成对的属性序列样本中泛化特征。在真实数据集上的实证结果表明，所提出的 OLAS 在丰富的参数设定下均优于最先进的方法。
引用
@article{arxiv.2201.09202,
title = {One-Shot Learning on Attributed Sequences},
author = {Zhongfang Zhuang and Xiangnan Kong and Elke Rundensteiner and Aditya Arora and Jihane Zouaoui},
journal= {arXiv preprint arXiv:2201.09202},
year = {2022}
}