跨域少样本学习的任务级对比性
机器学习
2025-10-07 v1
摘要
少样本分类和元学习方法通常在不同域之间推广困难，因为大多数方法聚焦于单个数据集，无法在各种看到的和看不到的域之间传递知识。现有方法常常表现不佳，计算成本高，且依赖限制性假设。在本文中，我们提出任务级对比性 (task-level contrastiveness) 的概念，这是一种新方法，旨在解决现有方法的问题。我们首先介绍简单的任务增强方式，随后定义任务级对比损失，以鼓励任务表示的无监督聚类。该方法轻量可靠，容易集成到现有的少样本/元学习算法中，提供显著益处。关键的是，它在不要求任务域先验知识的情况下，提高了泛化和计算效率。我们通过在 MetaDataset 基准上的不同实验，展示了该方法的有效性，在不增加额外复杂度的情况下实现了优异性能。
引用
@article{arxiv.2510.03509,
title = {Task-Level Contrastiveness for Cross-Domain Few-Shot Learning},
author = {Kristi Topollai and Anna Choromanska},
journal= {arXiv preprint arXiv:2510.03509},
year = {2025}
}