从最小批与预训练视角训练少样本分类
机器学习
2020-04-14 v1 机器学习
摘要
少样本分类是一项具有挑战性的任务，旨在刻画人类从有限先验数据学习概念的能力，并已在机器学习领域引起相当关注。少样本分类的近期进展以元学习为特征，其中定义了学习算法的参数化模型，并训练其掌握处理极大量或无限个代表不同分类任务的 episode 的能力，每个 episode 含一个小规模标注支持集及其对应查询集。本工作中，我们通过将少样本分类表述为有监督分类学习问题来推进该范式。我们进一步提出多 episode 与跨 way 训练技术，分别对应于分类问题中的最小批与预训练。在一种最先进的少样本分类方法（原型网络）上的实验结果表明，所提两种训练策略均能在 Omniglot 和 miniImageNet 上针对不同少样本分类问题大幅加速训练过程且不损失精度。
引用
@article{arxiv.2004.05910,
title = {Training few-shot classification via the perspective of minibatch and pretraining},
author = {Meiyu Huang and Xueshuang Xiang and Yao Xu},
journal= {arXiv preprint arXiv:2004.05910},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1803.00676 by other authors