基于深度可逆混合模型的半监督少样本分类
计算机视觉与模式识别
2021-05-25 v1 机器学习
摘要
在本文中，我们提出一种深度可逆混合模型，其在潜空间层面集成判别式与生成式学习，用于半监督少样本分类。从图像数据分类新物种的多种任务可建模为半监督少样本分类，其假设有已标注与未标注的训练样本以及目标类别的一个小型支撑集。每类仅用少量支撑样本预测目标类别，使得现有半监督分类方法（包括自训练，其迭代估计未标注训练样本的类标签以学习训练类别的分类器）的学习任务困难。为有效利用未标注训练样本，我们采用复合似然作为目标函数，其集成了判别式与生成式学习，并且比另一种流行的集成学习方法——参数耦合先验——更适配深度神经网络。在我们提出的模型中，判别式与生成式模型分别为原型网络（已在各类少样本学习中展现优异性能）与归一化流（一种深度可逆模型，其返回精确边际似然，不同于其他三种主要方法即 VAE、GAN 和自回归模型）。我们的主要原创性在于在潜空间层面集成这些组件，其有效防止过拟合。使用 mini-ImageNet 与 VGG-Face 数据集的实验表明，我们的方法优于基于自训练的原型网络。
引用
@article{arxiv.2105.10644,
title = {Semi-Supervised Few-Shot Classification with Deep Invertible Hybrid Models},
author = {Yusuke Ohtsubo and Tetsu Matsukawa and Einoshin Suzuki},
journal= {arXiv preprint arXiv:2105.10644},
year = {2021}
}
备注
8 pages