极简笔记 Meta-Learning for semi-supervised few-shot classification
论文地址 https://arxiv.org/pdf/1803.00676.pdf
本篇文章核心是给出了一种用于少样本半监督学习的分类算法。总体思路非常简单,通过一个网络 (Prototypical Network)提取特征,之后对特征进行聚类,聚类中心稳定之后拿去测试,测试时把测试样本按照更新了的聚类中心归过去,就完事了。
训练集中样本又分为两个集合 (S,R) ( S , R ) ,分别表示有类别标注数据和无标注数据。网络映射记作 h(x) h ( x ) , 有标注样本 xi x i , 无标注样本 x˜i x ~ i , 类别中心记作 pc p c , 更新过程中记作 p˜c p ~ c ,更新过程是典型的EM算法,和K-Means非常像,即把没标注的数据先归到最近类,更新聚类中心,再重新把没标注数据归类,迭代直到不变。
如果直接用K-Means聚类那这篇文章就不用发ICLR了。文章用了三种聚类算法:
soft K-Means
聚类中心更新公式
p˜c=∑ih(xi)zi,c+∑jh(x˜j)z˜j,c∑izi,c+∑jz˜j,cmj,c,where z˜j,c=exp(−||h(x˜j−p