基于交互式心理测量测试的语义少样本学习
计算机视觉与模式识别
2022-03-01 v2 人工智能
摘要
少样本分类任务旨在仅基于支持集中少量标注样本对查询集中的图像进行分类。多数研究通常假设任务中每幅图像具有单一且唯一的类关联。在这些假设下，当支持类与查询类之间不存在精确匹配时，这些算法可能无法确定正确的类分配。例如，给定少量狮子、自行车和苹果的图像来对老虎分类。然而，在更通用的设定中，我们可以考虑更高层概念——大型食肉动物，将老虎与狮子匹配以进行语义分类。由于基于标签的监督与复杂概念关系不兼容，现有研究很少考虑这种情况。在这项工作中，我们将少样本学习推进到这一更具挑战性的场景，即基于语义的少样本学习，并提出一种方法，通过交互式心理测量学习捕捉内在语义关系来解决该范式。在CIFAR-100数据集上的实验结果表明，相较于基线，我们的方法在基于语义的少样本学习上具优越性。
引用
@article{arxiv.2112.09201,
title = {Semantic-Based Few-Shot Learning by Interactive Psychometric Testing},
author = {Lu Yin and Vlado Menkovski and Yulong Pei and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2112.09201},
year = {2022}
}
备注
Accepted at the AAAI-22 Workshop on Interactive Machine Learning (IML@AAAI'22)