综述论文“Generalizing from a Few Examples: A Survey on Few-Shot Learning”

最新推荐文章于 2024-04-30 23:12:38 发布

硅谷秋水

最新推荐文章于 2024-04-30 23:12:38 发布

阅读量7.5k

点赞数 3

分类专栏：机器学习文章标签：神经网络机器学习深度学习

本文链接：https://blog.csdn.net/yorkhunter/article/details/103966951

版权

本文是一篇关于少样本学习（Few-Shot Learning, FSL）的综述，探讨了如何在数据有限的情况下利用先验知识进行快速学习。FSL方法分为数据、模型和算法三个视角，旨在解决经验风险最小化的核心问题。文章讨论了FSL的挑战、分类、应用和未来方向，强调了多模态先验知识和跨任务学习的重要性，以及在计算机视觉领域的潜在应用。" 112390876,10581942,Termux搭建手机PHP Web服务器指南,"['Termux', 'web service', 'php', 'linux', '手机安全']

摘要由CSDN通过智能技术生成

该少样本学习综述发表于arXiv2019年5月13号。
在这里插入图片描述
摘要：人工智能在数据密集型应用中取得了成功，但缺乏从有限的示例中学习的能力。为了解决这个问题，提出了“少量样本学习”（FSL，Few-Shot Learning）。它可以用先验知识从受监督的经验有限的新任务中快速得出结论。为了全面了解FSL，本文进行了一项调查研究。首先澄清FSL的正式定义。其中不可靠的经验风险最小化是FSL的核心问题。基于采用先验知识处理核心问题的方式，将不同的FSL方法分为三个视角：数据使用先验知识来增强监督经验，模型通过先验知识来约束假设空间，算法使用先验知识来改变假设空间搜索最佳假设的参数。在这种统一的分类法下，本文对不同类别的利弊进行了详尽的讨论。最后，在问题设置、技术、应用和理论方面为FSL提出了可能的方向，为后续研究提供见识。