双噪声下的可靠少样本学习
计算机视觉与模式识别
2025-06-23 v1 人工智能
摘要
最近的模型预训练进展催生了基于任务适应的少样本学习 (FSL)，其中目标是通过针对目标任务的少量标记支持样本来适应预训练的 task-agnostic 模型，以捕获任务特定的知识。然而，现有方法可能仍在开放世界中失败，因为支撑样本和查询样本的目标任务中不可避免地存在驻留分布 (ID) 和离域分布 (OOD) 噪声。由于支持样本有限，i) 双噪声的不利影响在任务适应期间可能被严重放大，ii) 适应后的模型在双噪声存在下对查询样本的预测可能不可靠。本文提出 DEnoised Task Adaptation (DETA++) 以实现可靠的 FSL。DETA++ 使用对比相关聚合 (CoRA) 模块计算支持样本的图像和区域权重，基于此提出干净原型损失和噪声熵最大化损失，以实现对噪声稳健的任务适应。此外，DETA++ 采用记忆库来存储和细化每个 inner-task 类的干净区域，基于此发展出局部最近质心分类器 (LocalNCC)，以产生对查询样本的噪声稳健预测。此外，DETA++ 利用单元类区域交换 (IntraSwap) 策略在任务适应期间校正 ID 类原型，增强模型对双噪声的鲁棒性。广泛的实验表明 DETA++ 的有效性和灵活性。
引用
@article{arxiv.2506.16330,
title = {Reliable Few-shot Learning under Dual Noises},
author = {Ji Zhang and Jingkuan Song and Lianli Gao and Nicu Sebe and Heng Tao Shen},
journal= {arXiv preprint arXiv:2506.16330},
year = {2025}
}
备注
17 pages, 6 figures,