面向真实世界少样本识别的浅层贝叶斯元学习
机器学习
2021-08-30 v2
摘要
当前最先进的少样本学习器侧重于为特征表示开发有效的训练流程，之后使用简单的分类器（如最近质心分类器）。在本文中，我们采取一种与所用特征无关的正交方法，专门聚焦于元学习实际的分类器层。具体而言，我们引入了 MetaQDA，即经典二次判别分析的贝叶斯元学习推广。该设定对实践者具有若干益处：元学习快速且内存高效，无需微调特征；它与所选用的现成特征无关，因而将持续受益于特征表示的进展。在经验上，它在跨域少样本学习中表现出鲁棒性能，并且对真实世界应用至关重要的是，它在预测中带来了更好的不确定性校准。
引用
@article{arxiv.2101.02833,
title = {Shallow Bayesian Meta Learning for Real-World Few-Shot Recognition},
author = {Xueting Zhang and Debin Meng and Henry Gouk and Timothy Hospedales},
journal= {arXiv preprint arXiv:2101.02833},
year = {2021}
}
备注
accepted by ICCV 2021