面向少样本学习的开集似然最大化
计算机视觉与模式识别
2023-05-22 v2 机器学习
摘要
我们解决少样本开集识别（FSOSR）问题，即在仅拥有少量标注样本的一组类别中对实例进行分类，同时检测不属于任何已知类的实例。我们探索了流行的转导设置，其在推理时利用无标注查询实例。受现有转导方法在开集场景中表现不佳的观察启发，我们提出了最大似然原理的一种推广，其中在通常的参数模型之外引入了弱化潜在异常值影响的潜在分数。我们的公式嵌入了来自支持集的监督约束以及抑制对查询集过度自信预测的额外惩罚。我们采用块坐标下降法，潜在分数与参数模型交替协同优化，从而相互受益。我们将所得公式称为\textit{开集似然优化}（OSLO）。OSLO 可解释且完全模块化；它可无缝应用于任何预训练模型之上。通过大量实验，我们表明我们的方法在开集识别的两个方面（即内点分类和外点检测）均超越了现有的归纳与转导方法。
引用
@article{arxiv.2301.08390,
title = {Open-Set Likelihood Maximization for Few-Shot Learning},
author = {Malik Boudiaf and Etienne Bennequin and Myriam Tami and Antoine Toubhans and Pablo Piantanida and Céline Hudelot and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2301.08390},
year = {2023}
}
备注
CVPR 2023. Supercedes arXiv:2206.09236