克服利用 GAN 进行少样本数据增强中的挑战
机器学习
2022-08-10 v3 机器学习
摘要
在本文中，我们探索基于 GAN 的少样本数据增强作为一种改进少样本分类性能的方法。我们探究了如何将 GAN 微调以用于此类任务（其中一种以类增量方式进行），并对这些模型在改进少样本分类方面的表现进行了严格的实证调研。我们指出了与在仅有极少样本纯监督机制下训练此类生成模型困难相关的问题，以及现有工作评估协议方面的问题。我们还发现，在此机制下，分类准确率对数据集各类的随机划分方式高度敏感。因此，我们提出一种半监督微调方法，作为解决这些问题的更务实途径。
引用
@article{arxiv.2203.16662,
title = {Overcoming challenges in leveraging GANs for few-shot data augmentation},
author = {Christopher Beckham and Issam Laradji and Pau Rodriguez and David Vazquez and Derek Nowrouzezahrai and Christopher Pal},
journal= {arXiv preprint arXiv:2203.16662},
year = {2022}
}
备注
v3 of the paper, various changes including better figures, CIFAR-100 results, and precision-recall metrics