百科问答小站 logo
百科问答小站 font logo



小样本学习中关于虚拟样本有效性的问题? 第1页

  

user avatar   h1hippie 网友的相关建议: 
      

如果虚拟样本的“输入和输出对应关系其实和Dreal是一样的”,那虚拟样本一定会失效。

所以虚拟样本必须差异化才行。

举个例子:

+表示当前任务样本,-表示非当前任务样本,颜色标识类别。

这个时候因为few-shot问题,决策边界随便画画就可以正确分类了,但是query set来了之后可能泛化性很差。

MetaGAN[1]生成的虚拟样本(负样本)就是压缩特征空间,使决策边界不要乱搞。

+表示当前任务样本,-表示非当前任务样本,红色蓝色标识当前任务类别(real),灰色标识生成负样本(fake)。

这样一来,决策边界可以稳定的在support set周围产生。

再举个例子:

@杨朔 大佬的论文[2]在做增广的虚拟样本,目的是使从support set和base-class data中生成的样本贴近待推断的query set,以达到特征空间增广的目的。这样的虚拟样本就是和题主说的real data不一样了,因为它是去估计query set的分布而不是support set (real)。

参考

  1. ^MetaGAN: An Adversarial Approach to Few-Shot Learning https://proceedings.neurips.cc/paper/2018/hash/4e4e53aa080247bc31d0eb4e7aeb07a0-Abstract.html
  2. ^FREE LUNCH FOR FEW-SHOT LEARNING: DISTRIBUTION CALIBRATION https://arxiv.org/pdf/2101.06395.pdf?ref=https://githubhelp.com



  

相关话题

  深度学习方面还有什么Open Problem? 
  支持向量机(SVM)是什么意思? 
  所谓大数据分析,究竟要学什么? 
  人工智能在发展到极高的程度之后能否算得上是一种生命? 
  医学生学习机器学习该如何入门? 
  Transformer是如何处理可变长度数据的? 
  机器学习的解释模型存在嘛? 
  如何看待KDD'21的文章,异质图神经网络的效果不如简单的GCN、GAT? 
  既然使用神经网络也可以解决分类问题,那SVM、决策树这些算法还有什么意义呢? 
  据说机器学习长于预测,计量经济学长于解释。有什么具体例子是机器学习完成了很好的预测却在解释上表现不好? 

前一个讨论
如何看待网传字节跳动本月第二起员工抢救事件,现状如何?
下一个讨论
博士生发表几篇SCI论文合适?





© 2025-05-04 - tinynew.org. All Rights Reserved.
© 2025-05-04 - tinynew.org. 保留所有权利