Shoestring：基于图的 severely limited 标注数据半监督学习
计算机视觉与模式识别
2020-04-09 v2 机器学习
摘要
基于图的半监督学习已被证明是来自广泛领域（如图像分类和文本分类）分类任务最有效方法之一，因为它们可利用标注与未标注样本间的连通模式来改善学习性能。在本工作中，我们将这一有效学习范式推进到标注数据严重受限的场景。更具体地，我们解决存在严重受限标注样本时的基于图半监督学习问题，并提出一个名为 {\em Shoestring} 的新框架，通过从这些极少标注样本向大量未标注样本进行语义迁移来改善学习性能。特别地，我们的框架学习一个度量空间，在其中可通过计算到每类质心嵌入的相似度进行分类。{\em Shoestring} 以端到端方式训练，以同时学习利用有限标注样本的语义知识及其与大量未标注样本的连通模式。通过将 {\em Shoestring} 与图卷积网络、标签传播及其近期标签高效变体（IGCN 和 GLP）结合，我们能够在极少标注样本情况下达到最先进的节点分类性能。此外，我们在少样本学习机制下的图像分类任务上展示了框架的有效性，在 miniImageNet（）和 tieredImageNet（）上取得显著提升。
引用
@article{arxiv.1910.12976,
title = {Shoestring: Graph-Based Semi-Supervised Learning with Severely Limited Labeled Data},
author = {Wanyu Lin and Zhaolin Gao and Baochun Li},
journal= {arXiv preprint arXiv:1910.12976},
year = {2020}
}
备注
9 pages, 5 tables, 3 figures, accepted at CVPR2020, source code will be released soon