Adversarial Feature Augmentation for Cross-domain Few-shot Classification

要約

メタ学習に基づく既存の方法は、基本クラスの (ソース ドメイン) トレーニング タスクから学習したメタ知識を介して (ターゲット ドメイン) テスト タスクの新しいクラス ラベルを予測します。
ただし、ほとんどの既存の作品は、ドメイン間のドメインの不一致がおそらく大きいため、新しいクラスに一般化できない可能性があります。
この問題に対処するために、少数ショット学習におけるドメインギャップを埋めるための新しい敵対的機能拡張 (AFA) メソッドを提案します。
機能拡張は、ドメインの不一致を最大化することにより、分布の変動をシミュレートするように設計されています。
敵対的トレーニング中、ドメイン弁別子は、拡張された機能 (目に見えないドメイン) を元の機能 (目に見えるドメイン) から区別することによって学習されますが、ドメインの不一致は最小化されて最適な機能エンコーダーが取得されます。
提案された方法は、メタ学習に基づく既存の少数ショット学習方法に簡単に統合できるプラグアンドプレイモジュールです。
9 つのデータセットに関する広範な実験により、最先端技術と比較して、クロスドメインの少数ショット分類の方法の優位性が実証されています。
コードは https://github.com/youthhoo/AFA_For_Few_shot_learning で入手できます

要約(オリジナル)

Existing methods based on meta-learning predict novel-class labels for (target domain) testing tasks via meta knowledge learned from (source domain) training tasks of base classes. However, most existing works may fail to generalize to novel classes due to the probably large domain discrepancy across domains. To address this issue, we propose a novel adversarial feature augmentation (AFA) method to bridge the domain gap in few-shot learning. The feature augmentation is designed to simulate distribution variations by maximizing the domain discrepancy. During adversarial training, the domain discriminator is learned by distinguishing the augmented features (unseen domain) from the original ones (seen domain), while the domain discrepancy is minimized to obtain the optimal feature encoder. The proposed method is a plug-and-play module that can be easily integrated into existing few-shot learning methods based on meta-learning. Extensive experiments on nine datasets demonstrate the superiority of our method for cross-domain few-shot classification compared with the state of the art. Code is available at https://github.com/youthhoo/AFA_For_Few_shot_learning

arxiv情報

提供元, 利用サービス

arxiv.jp, Google