迈向开放世界中的少样本学习：综述与展望
机器学习
2024-08-20 v1 机器学习
摘要
人类智能的特点是我们能够吸收和应用周围世界的知识，特别是通过先验知识从最少的示例中快速获取新概念，这支撑了少样本学习（FSL）。少样本学习旨在模仿这种能力，实现显著的泛化和迁移性。然而，传统的 FSL 框架通常依赖于干净、完整和静态数据的假设，这些条件在现实环境中很少满足。这种假设在开放世界固有的不确定、不完整和动态环境中会失效。本文对近期为将 FSL 适配于开放世界环境而设计的进展进行了全面综述。我们将现有方法分为三种不同类型的开放世界少样本学习：涉及不同实例、不同类别和不同分布的方法。每种类型都从其特定挑战和方法以及优势和劣势方面进行了讨论。我们统一了不同场景下的实验设置和度量基准，并提供了各种方法性能的比较分析。最后，我们概述了这一不断发展领域的潜在未来研究方向。我们希望这篇综述能够催化有效解决方案的进一步发展，从而推动人工智能领域的发展。
引用
@article{arxiv.2408.09722,
title = {Towards Few-Shot Learning in the Open World: A Review and Beyond},
author = {Hui Xue and Yuexuan An and Yongchun Qin and Wenqian Li and Yixin Wu and Yongjuan Che and Pengfei Fang and Minling Zhang},
journal= {arXiv preprint arXiv:2408.09722},
year = {2024}
}