基于参数池化的大规模分类统计少样本学习
统计方法学
2025-04-16 v1
摘要
在大规模少样本分类问题中，通常类别数量众多而每个类别的高维观测样本较少。Fisher 线性判别分析（LDA）等先前基于模型的方法要求所有类别共享协方差矩阵的强假设。二次判别分析常常导致协方差矩阵估计奇异或不稳定。这两种方法均可能导致分类性能低于预期。我们提出一种新颖的基于模型的聚类方法，通过对样本协方差矩阵（无论奇异与否）进行聚类，可放宽 LDA 的共享协方差假设。此外，我们研究了参数估计的统计性质。这将得到在每个类别簇内进行池化的协方差矩阵估计。通过模拟数据与真实数据，我们证明我们的分类方法相比其他方法往往能产生更好的判别性能。
引用
@article{arxiv.2504.11404,
title = {Statistical few-shot learning for large-scale classification via parameter pooling},
author = {Andrew Simpson and Semhar Michael},
journal= {arXiv preprint arXiv:2504.11404},
year = {2025}
}