使用变分自编码器混合的一次性学习：一种泛化学习方法
计算机视觉与模式识别
2018-04-23 v1 机器学习
机器学习
摘要
深度学习尽管当今非常成功，传统上需要极大量的标注数据才能在分类任务上表现优异。为解决此问题，利用每类仅一个标注样本与先验知识的一次性学习范式变得日益重要。本文提出一种新的一次性学习方法，称为 MoVAE（变分自编码器混合，Mixture of Variational AutoEncoders），用于分类。与先前研究互补，MoVAE 相对于常用一次性学习方法发生了范式转变，因为它不使用任何先验知识。相反，它从零知识和每类一个标注样本出发。之后，通过使用未标注数据与泛化学习概念（在某种程度上更像人类），它能够自行逐步提升性能。更有甚者，若无未标注数据可用，MoVAE 仍能在一次性学习分类中表现良好。我们在三个数据集上实证展示了所提方法的效率，即手写数字（MNIST）、时尚产品（Fashion-MNIST）和手写字符（Omniglot），表明 MoVAE 优于最先进的一次性学习算法。
引用
@article{arxiv.1804.07645,
title = {One-Shot Learning using Mixture of Variational Autoencoders: a Generalization Learning approach},
author = {Decebal Constantin Mocanu and Elena Mocanu},
journal= {arXiv preprint arXiv:1804.07645},
year = {2018}
}