基于深度拉普拉斯特征映射的无监督少样本学习
机器学习
2022-10-10 v1
摘要
从少量示例中学习新任务仍是机器学习中的一个开放性挑战。尽管少样本学习近期取得了进展，大多数方法依赖于有监督预训练或在有标注元训练数据上的元学习，并且无法应用于预训练数据无标注的情况。在本研究中，我们提出了一种基于深度拉普拉斯特征映射的无监督少样本学习方法。我们的方法通过将相似样本分组在一起来从无标注数据中学习表示，并且可以通过在增强训练数据上的随机游走进行直观解释。我们分析地展示了深度拉普拉斯特征映射如何在不显式比较正样本和负样本的情况下避免无监督学习中的表示坍缩。所提出的方法显著缩小了有监督与无监督少样本学习之间的性能差距。我们的方法在线性评估协议下也取得了与当前最先进的自监督学习方法相当的性能。
引用
@article{arxiv.2210.03595,
title = {Unsupervised Few-shot Learning via Deep Laplacian Eigenmaps},
author = {Kuilin Chen and Chi-Guhn Lee},
journal= {arXiv preprint arXiv:2210.03595},
year = {2022}
}