Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification

要約

数ショットの分類は、ラベル付けされたサンプルが数個しかない場合に、新しいタスクにうまく一般化できるモデルを学習することを目的としています。
実際のアプリケーションでより豊富に利用できるラベルのないデータを利用するために、Renetal。
\ shortcite {ren2018meta}は、手動で定義されたメトリックによってラベル付けされていない各サンプルに適切なラベルを割り当てる、半教師ありの数ショット分類方法を提案します。
ただし、手動で定義されたメトリックは、データの固有のプロパティをキャプチャできません。
この論文では、半教師あり数ショット分類のために、\ textbf {S} elf- \ textbf {A} daptive \ textbf {L} abel \textbf{A}拡張アプローチを提案します。これは\textbf{SALA}と呼ばれます。
SALAの主な目新しさは、タスク適応型メトリックです。これは、エンドツーエンドの方法でさまざまなタスクに適応的にメトリックを学習できます。
SALAのもう1つの魅力的な機能は、プログレッシブネイバー選択戦略です。これは、トレーニングフェーズを通じて、ラベルのないデータを高い信頼度でプログレッシブに選択します。
実験は、SALAがベンチマークデータセットの半教師あり数ショット分類のいくつかの最先端の方法よりも優れていることを示しています。

要約(オリジナル)

Few-shot classification aims to learn a model that can generalize well to new tasks when only a few labeled samples are available. To make use of unlabeled data that are more abundantly available in real applications, Ren et al. \shortcite{ren2018meta} propose a semi-supervised few-shot classification method that assigns an appropriate label to each unlabeled sample by a manually defined metric. However, the manually defined metric fails to capture the intrinsic property in data. In this paper, we propose a \textbf{S}elf-\textbf{A}daptive \textbf{L}abel \textbf{A}ugmentation approach, called \textbf{SALA}, for semi-supervised few-shot classification. A major novelty of SALA is the task-adaptive metric, which can learn the metric adaptively for different tasks in an end-to-end fashion. Another appealing feature of SALA is a progressive neighbor selection strategy, which selects unlabeled data with high confidence progressively through the training phase. Experiments demonstrate that SALA outperforms several state-of-the-art methods for semi-supervised few-shot classification on benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google