DAY-6 8篇小样本学习 (few-shot learning)

DAY-6 8篇小样本学习 (few-shot learning)

原文连接：https://bbs.cvmart.net/articles/1558

• Graph Few-shot Learning via Knowledge Transfer（通过知识迁移的图小样本学习），AAAI2020

  提出“一种基于辅助图的先验知识的图小样本学习（GFL）算法”

• AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning（自适应聚合GCN的小样本学习）

  提出“基于GCN的图形卷积网络标签去噪（LDN）方法来去除不相关的图像”

  ​ --> 提出“基于GCN的清洁web图像和原始训练图像的FSL方法”

  ​ – few-shot fewshot learning ==> FSFSL

  提出一种新的自适应聚合GCN（AdarGCN）模型

• Few-shot Natural Language Generation for Task-Oriented Dialog（面向任务对话的小样本自然语言生成）

  提出第一个NLG（自然语言生成）基准测试FewShotWoz来模拟面向任务的对话系统中的小样本学习设置

  ​ --> 提出SC-GPT模型

• Meta-Transfer Learning for Zero-Shot Super-Resolution（元迁移学习的零样本超分）CVPR2020

  提出零样本超分辨的元转移学习方法

• Few-shot Text Classification with Distributional Signatures（小样本文本分类）ICLR2020

  探讨了元学习在小样本文本分类中的应用

• Evolving Losses for Unsupervised Video Representation Learning（无监督视频表示学习的损失演化）CVPR2020

  提出一种从大规模无标记视频数据中学习视频表示的新方法

  ​ --> 提出一种基于Zipf法则的无监督表示法评价指标

• Few-shot acoustic event detection via meta-learning（元学习的小概率语音事件检测）ICASSP 2020

  提出了小样本AED问题，并探索了不同的方法来利用传统的监督方法，以及各种元学习方法，这些方法通常用于解决小样本分类问题

• Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation（跨域小样本分类）ICLR2020

  解决了基于度量的方法在领域转移下的少样本分类问题