XtarNet：学习提取任务自适应表示用于增量少样本学习
机器学习
2020-07-02 v2 人工智能
神经与进化计算
摘要
在保留先验知识的同时学习新概念是机器学习中一个长期存在的挑战。当仅给定少量标注样本的新任务时，该挑战更大，此问题被称为增量少样本学习。我们提出XtarNet，其学习提取任务自适应表示(TAR)以促进增量少样本学习。该方法利用在一组基类别上预训练的骨干网络，同时采用跨情景元训练的附加模块。给定新任务，从元训练模块提取的新特征与从预训练模型获得的基特征相混合。组合两种不同特征的过程提供TAR，并由元训练模块控制。TAR包含用于分类新类别和基类别的有效信息。基分类器和新分类器通过利用TAR快速适应给定任务。在标准图像数据集上的实验表明，XtarNet取得了最先进的增量少样本学习性能。TAR的概念也可与现有增量少样本学习方法结合使用；大量仿真结果实际上表明，应用TAR显著增强了已知方法。
引用
@article{arxiv.2003.08561,
title = {XtarNet: Learning to Extract Task-Adaptive Representation for Incremental Few-Shot Learning},
author = {Sung Whan Yoon and Do-Yeon Kim and Jun Seo and Jaekyun Moon},
journal= {arXiv preprint arXiv:2003.08561},
year = {2020}
}
备注
In Proceedings of the 37th International Conference on Machine Learning (ICML) 2020, Vienna, Austria, PMLR 119; *Equal contribution