通过测量任务的相似性进行面向目标的小样本迁移方法
摘要
尽管近年来有了很大的改进，但小样本学习（FSL）仍然面临两个关键的挑战。首先，大多数FSL解决方案在训练阶段依赖于对辅助任务的利用，但几乎没有使用目标任务。其次，目前的基准在评估阶段对许多目标任务进行采样，每个任务只有N-way C-shot查询集，这与实际情况脱节。为了应对这些问题，我们提出了Guidepost，一种面向目标的FSL方法，它可以使用任务级的学习机制隐含地学习任务的相似性，然后对辅助任务重新加权。此外，我们提出了一个新的FSL基准，以满足现实的需要并适合我们面向目标的特性，而主流的FSL方法在这个新的实验场景下难以奏效。广泛的实验表明，Guidepost在几个FSL图像数据集上改进了两个经典的小样本学习模型，即MAML和ProtoNet，以及一个最先进的小样本学习模型，即RENET。我们还将Guidepost作为一个领域适配器，在我们收集的基于WiFi的人类活动识别数据集上实现高精度的无线感知。
作者
周志鹏，龚伟，周浩泉
期刊\会议
IEEE ICME （submitted）
关键词
小样本学习
