TLRM：面向基于图神经网络的少样本学习的任务级关系模块
计算机视觉与模式识别
2021-09-03 v3
摘要
近年来，图神经网络（GNNs）在处理少样本分类问题上展现出强大的能力，该问题旨在每类仅使用有限标注样本训练时对未见样本进行分类。基于 GNN 的少样本学习架构大多用可学习的 GNN 替代传统度量。在 GNN 中，节点被设为样本嵌入，两个相连节点之间的关系可由一个网络获得，该网络的输入是它们嵌入特征的差异。我们认为这种度量样本关系的方法仅建模了样本到样本的关系，而忽略了不同任务的特异性。也就是说，这种关系度量方法没有考虑任务级信息。为此，我们提出一种新的关系度量方法，即任务级关系模块（TLRM），以显式建模一个样本到所有其他样本的任务级关系。所提出的模块通过考虑样本到任务的嵌入特征而非样本到样本的嵌入特征来捕获节点间的关系表示。我们在四个基准数据集上进行了大量实验：mini-ImageNet、tiered-ImageNet、CUB-- 和 CIFAR-FS。实验结果表明所提模块对基于 GNN 的少样本学习是有效的。
引用
@article{arxiv.2101.09840,
title = {TLRM: Task-level Relation Module for GNN-based Few-Shot Learning},
author = {Yurong Guo and Zhanyu Ma and Xiaoxu Li and Yuan Dong},
journal= {arXiv preprint arXiv:2101.09840},
year = {2021}
}
备注
VCIP 2021