小样本学习-基础概念

小样本学习(Few Shot Learning, FSL)

综述文献:Generalizing from a Few Examples: A Survey on Few-Shot Learning
link:https://doi.org/10.1145/3386252
文献中涉及的定义,根据经验风险最小化分类,应用等描述写的很棒

前提/背景:

机器学习/深度学习在数据集庞大的情况下应用的非常成功,但当数据集很小时,它常常受到阻碍。为了解决这一问题,近年来提出了小样本学习。

定义:

在样本量少的条件下,FSL可以利用先验知识,快速地泛化到只包含少量有监督信息的样本新任务中。

core issue:

样本量少时,误差会比较大,为减小误差可从以下3个角度尝试:

  1. 数据:利用先验知识增强监督信号
  2. 模型:利用先验知识缩小假设空间的大小
  3. 算法:利用先验知识更改给定假设空间中对最优假设的搜索

小样本学习-基础概念_第1张图片

具体方法:

小样本学习-基础概念_第2张图片

举例:(图像领域)

  1. 数据增强:图像平移、翻转、裁剪、缩放等手动扩充,以及用GAN网络生成,自动搜索空间(将手动扩充的方法形成一个搜索空间,然后解出一个搜索空间),标签传播
  2. 模型:嵌入学习&度量学习——Match Network 、Prototypical Network 、Relation Network、多任务学习、生成模型、迁移学习
  3. 优化算法:优化参数:权重参数/偏向参数(w/b)—MAML、预训练+微调

*其中,embedding learning 和 metric learning应该是同一种类型吗?

Ref:

https://www.cnblogs.com/zhengzhicong/p/12952354.html#_label1
https://www.bilibili.com/video/BV1Et4y1i7pu?spm_id_from=333.337.search-card.all.click

你可能感兴趣的:(小样本学习,深度学习,图像处理)