面向无监督少样本学习的无偏 Max-Min 嵌入分类：只需聚类与分类
计算机视觉与模式识别
2025-03-31 v1
摘要
卷积神经网络和监督学习在诸多领域取得了显著的成功，但受限于需要大量标注数据集。少样本学习（Few-shot Learning, FSL）通过仅利用少量标记样本即可实现模型的泛化。转导式少样本学习（Transductive Few-shot Learning, TFSL）通过利用标记和非标记数据来增强 FSL，但面临诸多挑战，如 hubness 问题。为克服这些限制，我们提出了无偏 Max-Min 嵌入分类（Unbiased Max-Min Embedding Classification, UMMEC）方法，通过三项创新性贡献来解决少样本学习中的关键挑战。首先，我们引入去中心化协方差矩阵以缓解 hubness 问题，确保嵌入更均匀的分布。其次，我们的方法通过自适应加权和非线性变换，将局部对齐与全局一致性相结合，平衡类内聚类与类间分离。最后，我们采用变分 Sinkhorn 少样本分类器来优化样本与类原型之间的距离，从而提高分类准确性和鲁棒性。这些组合创新使 UMMEC 方法能够仅凭最少的标记数据即可实现卓越的性能。我们的 UMMEC 方法在最少的标记数据下显著提升了分类性能，推动了 TFSL 领域的研究进步。
引用
@article{arxiv.2503.22193,
title = {Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need},
author = {Yang Liu and Feixiang Liu and Jiale Du and Xinbo Gao and Jungong Han},
journal= {arXiv preprint arXiv:2503.22193},
year = {2025}
}