小样本学习之半监督的小样本分类

最新推荐文章于 2024-08-05 10:01:34 发布
最新推荐文章于 2024-08-05 10:01:34 发布
阅读量1w 收藏 51
点赞数 6
分类专栏： 小样本学习 文章标签： 小样本学习 半监督
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Snoopy_S/article/details/88537229
版权

本次介绍的论文：

2018 - ICLR - 《Meta-Learning for Semi-Supervised Few-ShotClassification》

在上篇博客中介绍了原型网络，一种基于度量的小样本分类方法，核心思想便是在一个嵌入空间中将所有同类的样本拉到较近的位置，然后通过距离度量的方式来判断一个样本x属于哪一个类。对于原型网络，这是一个监督学习，即训练数据全都是有标签的数据。在实际生活中，一般我们需要解决的小样本分类问题应该是半监督的，因为在很多领域，例如医疗、航天等，会有很多没有标注过的信息，这些信息中部分是有用的，但是如果全都进行人工标注，是很费时费力的。所以，实际的小样本分类问题应该是只有少量已标注好的样本和很多未标注的样本，这些未标注的样本中有和已标注样本同类别的，也有不同类别的。本篇所讲的论文便是解决这样的问题，也就是半监督的小样本学习，在原型网络的基础上做的三种扩展。

首先先简单回顾一下原型网络，原型：

p_{c}=\tfrac{\sum_{i}h(x_{i})z_{i,c} }{\sum_{i}z_{i,c} }, where \quad z_{i,c}=1[y_{i}=c]

这个原型的公式与上篇博客所讲的公式意义一样，都是求类c中所有样本特征的平均值。然后对于一个样本x，其属于类c的概率：

最低0.47元/天 解锁文章
MSnoopy'
关注
专栏目录
基于深度学习的小样本分类识别方案总结
herosunly的博客
01-17 7万+
1. 方案一 1.1 算法方案解析 1.1.1 赛题理解 1.1.2 模型选择：尽量使用与数据匹配的SOTA模型 1.1.3 TIM模型介绍 1.1.4 TIM模型-训练 1.1.5 TIM模型-推理 1.1.6 改进思路考虑 1.1.7 基于预训练模型的小样本分类 1.2 下阶段优化思路 2. 方案二 2.1 算法方案解析 2.1.1 赛题理解 2.1.2 数据分析 2.1.3 算法思路 2.1.4 数据预处理 2.1.5 损失函数 2.1.6 其他Tricks 2.2 总结 2.3 展望 3. 方案三
【论文分享】小样本半监督图结点分类模型 Meta-PN：Meta Propagation Networks for Graph Few-shot Semi-supervised Learning
vector的博客
05-19 838
本文提出了一种新的图元学习框架：元传播网络(Meta- PN)，用于解决小样本半监督节点分类问题。该框架由两个部分构成 1. Adaptive Label Propagator (Meta Learner)：利用目标模型的反馈来调整其传播策略，以在未标记节点上推断出准确的伪标签。2. Feature-label Transformer (Target Model)： 吸收伪标记节点的结构和特征知识预测标签，从而解决了小样本半监督学习背后的挑战。
基于小样本学习的图像分类技术综述
06-13
图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题.本文对近年来的小样本图像分类算法进行了详细综述。
零样本、单样本和小样本学习
chen的博客
08-05 895
零样本、单样本和小样本学习为解决数据稀缺问题提供了不同的策略。通过实际案例，我们可以看到这些学习范式在各种应用中的巨大潜力。
论文解读：相互集中学习的小样本分类_Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification
weixin_50917576的博客
03-06 1413
在本文中，我们结合了一个额外的支持到查询连接作为补充，以彻底关联两个不相交的密集特征集。这种双向范式提供的潜力源于这样一种直觉:除了使用查询特征来查找相关的支持特征外，根据支持特征估计查询特征的任务相关性也是合理的。具体来说，我们将密集特征与可以在离散特征空间中双向随机行走到相反密集特征集的粒子相关联。然后通过密集特征的可达性来估计每个类的预测概率，即在时间齐次马尔可夫过程中对该类密集特征的期望访问次数。
【论文笔记1】小样本分类
XingshiXu
07-24 1101
小样本学习论文笔记
小样本学习----半监督学习算法
XCSDNJ2713的博客
09-03 1876
https://blog.csdn.net/mao_feng/article/details/78939864 现实生活中，我们会遇到少量有标签的样本，而大量无标签的样本，怎么去做这个处理呢？ 方法1：迁移学习的finetune 找类似的通用数据集（在图像领域:imagenet，电商领域：淘宝电商数据）训练网络，通过修改后面2层或者3层网络，做迁移学习，来微调网络的参数，从而...
【CVPR2022】【小样本分类和分割】Integrative Few-Shot Learning for Classification and Segmentation
qq_33290813的博客
06-27 3592
用于分类和分割的综合小样本学习 本文介绍了小样本分类和分割(FS-CS)的综合任务，即when the target classes are given with a few examples，对查询图像中的目标对象进行分类和分割。该任务结合了两个传统的小样本分类和分割任务。FS-CS将它们概括为具有任意图像对的更真实的事件，其中每个目标类可能出现在查询中，也可能不存在。为了解决这一任务，我们提出了FS-CS的综合小样本学习(iFSL)框架，该框架训练学习者构建用于多标签分类和像素级分割的类级前景地图。我们
零基础小样本图像分类入门到毕业①：基础概念
qq_45233572的博客
10-05 3063
本入门博客面向零基础的小样本图像菜狗硕士，或者其他想学习小样本图像分类的业余人士。本篇简单介绍一下小样本的图像分类的前置基础知识和几个小样本图像分类任务的基本概念，以及我对小样本图像领域发论文，毕业情况的看法。
论文研究-半监督学习在不平衡样本集分类中的应用研究.pdf
07-22
在对不平衡样本集进行分类时容易产生少数类样误差大的问题, 而目前半监督学习中的算法多数是针对未有明显此类特征的数据集。针对一种半监督协同分类算法在该问题上的有效性进行了研究。由于进一步增强了分类器差异性...
基于图的半监督框架中的高光谱数据小样本分类
04-12
因此，我们提出了一个新的框架来构建基于图的半监督模型，以解决标记样本的稀缺性问题，并结合k最近邻（knn）图以利用空间特征。.在此新模型中，稀疏表示通过估计是否属于同一类别的成对像素来使用概率矩阵来构建...
利用半监督学习改进非点击样本的转化率预测方法
最新发布
10-12
NISE方法可以集成到各种流行的多任务学习框架中。动态加权机制确保训练过程中任务平衡，实验验证了所提出方法的有效性和实用性。 适合人群：研究推荐系统的人工智能专业科研学者、工程从业人员。 使用场景及目标：...
【论文分享】小样本图片分类方法：AwGCN：Few-Shot Learning With Attention-Weighted Graph Convolutional Networks
vector的博客
03-27 1652
用CNN学习节点特征，用CNN+自注意力机制学习边特征（局部自注意机制学习了HSI数据的完整关系图结构），节点标签通过GCN在图上以半监督的方式从支持传播到查询集，适合于小样本学习。
【论文分享】小样本文本分类方法 EGNN-Proto：Few-Shot Text Classification with Edge-Labeling Graph Network-Based Proto
vector的博客
03-26 2497
提出了一个小样本文本分类模型：EGNN-Proto。利用预训练语言模型BERT学习文本嵌入，并通过edge-labeling graph neural network改进了prototypical network，以更好地刻画和利用文本之间的关系，从而在小样本的文本分类任务中获得更好的性能。
【论文总结】Meta-Learning for semi-supervised few-shot classification(附翻译)
小张好难瘦的博客
11-24 3329
Meta-Learning for semi-supervised few-shot classification 半监督小样本分类的元学习 Abstract In few-shot classification, we are interested in learning algorithms that train a classifier from only a handful of labeled examples. Recent progress in few-shot classificat.
基于小样本学习的图像分类综述
cdyyyyyyy的博客
12-25 1258
目前小样本学习还是一个比较热门的研究，很多关于小样本学习的论文也陆续发表。本文只是一个概述，具体方法研究还有待深入。
小样本学习-小样本分类：KNN+Faiss【Metric Based 方法：通过度量测试集中的样本和support集中样本的距离，借助最近邻的思想完成分类】
u013250861的博客
03-24 932
Model Based 方法旨在通过模型结构的设计快速在少量样本上更新参数，直接建立输入 x 和预测值 P 的映射函数；Santoro 等人 [5] 提出使用记忆增强的方法来解决 Few-shot Learning 任务。基于记忆的神经网络方法早在 2001 年被证明可以用于 meta-learning。他们通过权重更新来调节 bias，并且通过学习将表达快速缓存到记忆中来调节输出。然而，利用循环神经网络的内部记忆单元无法扩展到需要对大量新信息进行编码的新任务上。
【小样本基础】有监督小样本，半监督小样本，无监督小样本
vector的博客
01-09 1337
本篇博客探讨的主要是小样本的分类问题
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值