基于联合消息传递与原型软标签传播的鲁棒直推式少样本学习
计算机视觉与模式识别
2023-11-30 v1
摘要
少样本学习（FSL）旨在利用少量支撑样本构建能泛化至新类的学习模型。对于直推式 FSL 任务，常采用原型学习与标签传播方法。原型方法通常先从支撑集学习代表性原型，再依据查询样本与原型间的度量确定标签。标签传播方法试图在编码支撑与查询样本关系的构建图上传播支撑样本标签。本文旨在将这两大原则结合，提出一种高效鲁棒的直推式 FSL 方法，称为基于原型的软标签传播（PSLP）。具体而言，我们首先利用原型估计各查询样本的软标签表示，随后在所学查询-支撑图上执行软标签传播。两步渐进式进行以相互促进。此外，为学习用于软标签估计的有效原型及用于软标签传播的优质查询-支撑图，我们设计了一种新的联合消息传递方案，以联合学习样本表示与关系图。我们的 PSLP 方法无参数且实现高效。在四个流行数据集上，相较 SOTA 方法，我们的方法在平衡与不平衡设定下均取得具竞争力的结果。代码将在录用后发布。
引用
@article{arxiv.2311.17096,
title = {Robust Transductive Few-shot Learning via Joint Message Passing and Prototype-based Soft-label Propagation},
author = {Jiahui Wang and Qin Xu and Bo Jiang and Bin Luo},
journal= {arXiv preprint arXiv:2311.17096},
year = {2023}
}