论文分享:2020小样本学习综述

本文是关于小样本学习(FSL)的全面综述,探讨了FSL的定义、分类、核心问题、数据、模型、算法以及未来发展趋势。FSL在计算机视觉、机器人技术、自然语言处理等领域有广泛应用,旨在通过有限的样本来实现高效学习。文章分析了数据扩充、模型选择和优化算法的方法,指出其在实际应用中的挑战,并提出了未来的研究方向,包括多模态信息利用和动态任务分布的适应。
摘要由CSDN通过智能技术生成

题目与文章脉络

  • 题目:《Generalizing from a Few Examples: A Survey on Few-Shot Learning》
  • 时间:2020.03.29
  • 机构:香港科技大学
  • 行文安排
    Section1:介绍(背景,术语)
    Section2:概述(FSL定义,相关机器学习问题,核心问题,方法分类)
    Section3:数据(数据增强,使FSL可行)
    Section4:模型(减小假设空间大小,使FSL可行)
    Section5:算法(改变算法搜索策略,使FSL可行)
    Section6:未来工作(FSL在问题的设置、技术、应用、理论方面的发展方向)
    Section7:结论

S1 介绍

1.1 FSL

Few-Shot Learning

1.2 FSL应用场景

(1)少样本角度:
字符生成
机器人模仿(1次性模仿,多臂强盗,视觉导航,连续控制)
药物的临床效果(隐私,安全,伦理)
FSL翻译,冷启动推荐
(2)大样本角度:
减轻标签数据收集和计算负担

1.3 FSL术语定义

在这里插入图片描述

S2 概述

2.1 定义&分类&应用

  • 机器学习的定义
    在这里插入图片描述

大样本:围棋游戏需要3000万标签数据

  • 小样本学习的定义
    在这里插入图片描述

  • FSL问题分类
    (1)小样本分类
    N-way-K-shot classification: N个类别,每个类K个样本
    (2)小样本回归
    (3)小样本强化

  • FSL典型应用场景
    (1)模仿人类学习
    (2)罕见案例学习
    (3)减少数据收集和计算成本。

先验:“学习器在看到例子之前对未知函数的所有信息"
prior:“any information the learner has about the unknown function before seeing the examples"
FSL的典型例子:贝叶斯学习

  • 一次学习&零次学习
    one-shot learning & zero-shot learning
    在这里插入图片描述

2.2 相关机器学习问题

(1)弱监督学习

定义: 不完整、不准确、有噪声的监督信息

分类:

  • 半监督——同时使用少量有标签和大量无标签样本学习)
  • 主动——无标签样本发给oracle(业务专家,贵&慢),打标签

特点:

  • 分类、回归
  • 利用无标签样本,作为附加信息

FSL和弱监督学习的区别:

  • 12
    点赞
  • 74
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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