关系型广义少样本学习
机器学习
2020-09-16 v2 机器学习
摘要
将已学模型迁移到新任务是一个具有挑战性的问题，特别是在仅有极少标注样本可用时。尽管这种少样本学习设定近来受到大量关注，多数已有方法仅关注对新类别的判别。与之不同，我们考虑广义少样本学习(GFSL)的扩展设定，其中模型需要在由已见类别与新类别共同构成的联合标签空间上执行分类。我们提出了一种基于图的框架，显式建模联合标签空间中所有已见与新类别之间的关系。我们的模型图卷积全局原型网络(GcGPN)利用图卷积整合这些类间关系，从而以全局一致的方式将新类别表示嵌入已有已见类别的空间中。我们的方法同时保证了快速适配与全局判别，而这正是GFSL中的主要挑战。我们在两个具有挑战性的基准数据集上展示了模型的优势。
引用
@article{arxiv.1907.09557,
title = {Relational Generalized Few-Shot Learning},
author = {Xiahan Shi and Leonard Salewski and Martin Schiegg and Zeynep Akata and Max Welling},
journal= {arXiv preprint arXiv:1907.09557},
year = {2020}
}