论文笔记:Few-Shot Lear With Graph Neural Networks

本文探讨了如何使用图神经网络(GNN)解决小样本学习问题。通过构建图像和标签的图模型,GNN实现了监督信息从有标签样本到无标签样本的传播。在Omniglot和MiniImageNet任务中,该模型展示了优越的性能,并且能够扩展到半监督和主动学习场景。文章详细介绍了模型结构,包括输入表示、GNN层的定义以及初始节点特征的构造。
摘要由CSDN通过智能技术生成

论文链接:Few shot learning with graph neural networks

github代码链接:pytorch实现

1,INTRODUCTIION

1,元学习(新的监督学习):它的输入-输出对设置由图像集合的iid样本及其相关标签相似性代替了图像的iid样本和它相关标签.

2,探索利用相似样本的分布 代替 利用正则化取弥补数据的不足

3.文章贡献:

             1,将few-shot learning作为有监督消息传递任务,并且它用图神经网络进行端到端的训练

             2,在Omniglot和MIniImagnet 任务中,用更少的参数实现了最优的性能

             3.将这个模型扩展到半监督学习和主动学习机制中

3,problem set-up

  描述通用的设置和标注,然后把它分别应用到few-shot learning, semi-supervised ,active learning

考虑输入-输出对(Ti,Yi)i,从部分标记图像集的分布P中描述iid.

     其中s是已标记样本的数量, r是未标记的样本数量(r>0 用于semi-supervised 和active learn

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
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