PLATINUM：基于子模互信息的半监督模型无关元学习
机器学习
2022-07-06 v2
摘要
少样本分类（FSC）需使用每类极少（通常一到五个）数据点训练模型。元学习已证明可通过在其他分类任务上训练，为FSC学习到参数化模型。本文提出PLATINUM（semi-suPervised modeL Agnostic meTa-learnIng usiNg sUbmodular Mutual information，基于子模互信息的半监督模型无关元学习），一种新颖的半监督模型无关元学习框架，利用子模互信息（SMI）函数提升FSC性能。PLATINUM在元训练的内外循环中使用SMI函数挖掘无标签数据，并为元测试获得更丰富的元学习参数化。我们于两种场景研究PLATINUM表现——1）无标签数据点属于某轮次标签集的同一组类，2）存在不属于标签集的分布外类。我们在miniImageNet、tieredImageNet与Fewshot-CIFAR100数据集的多种设置下评估方法。实验表明PLATINUM优于MAML及伪标签等半监督方法，尤其在每类标签样本比小时。
引用
@article{arxiv.2201.12928,
title = {PLATINUM: Semi-Supervised Model Agnostic Meta-Learning using Submodular Mutual Information},
author = {Changbin Li and Suraj Kothawade and Feng Chen and Rishabh Iyer},
journal= {arXiv preprint arXiv:2201.12928},
year = {2022}
}
备注
*Equal Contribution. In proceedings of the Thirty-ninth International Conference on Machine Learning , ICML 2022