用于少样本学习的转导式片段自适应度量
机器学习
2019-10-08 v1 计算机视觉与模式识别
摘要
少样本学习旨在从极少的新类样本中快速提取新概念,近期已被纳入元学习范式。然而,如何学习一个具有适应严重受限数据特定任务能力的可泛化分类器,仍是该领域的关键挑战。为此,我们提出一种用于少样本学习的转导式片段自适应度量(TEAM)框架,将元学习范式与深度度量学习及转导推理相融合。通过探索各任务内的成对约束与正则化先验,我们将适应过程显式表述为一个标准半定规划问题。借助转导设定即时求解该问题的闭式解,我们的方法高效地为每个任务定制片段级度量,将所有特征从共享的任务无关嵌入空间适配到更具判别性的任务特定度量空间。此外,我们进一步采用基于注意力的双向相似度策略来提取查询与原型间更鲁棒的关系。在三个基准数据集上的大量实验表明,我们的框架优于其他现有方法,并在少样本学习文献中取得最先进的性能。
引用
@article{arxiv.1910.02224,
title = {Transductive Episodic-Wise Adaptive Metric for Few-Shot Learning},
author = {Limeng Qiao and Yemin Shi and Jia Li and Yaowei Wang and Tiejun Huang and Yonghong Tian},
journal= {arXiv preprint arXiv:1910.02224},
year = {2019}
}