A Closer Look at Few-shot Classification Again

要約

少数ショット分類は、モデルが比較的大きなデータセットで学習されるトレーニング フェーズと、学習されたモデルが限られたラベル付きサンプルを使用して以前に見られなかったタスクに適応される適応フェーズで構成されます。
このホワイト ペーパーでは、トレーニング アルゴリズムと適応アルゴリズムを完全に分離できることを経験的に証明します。これにより、アルゴリズムの分析と設計をフェーズごとに個別に行うことができます。
各フェーズのメタ分析により、いくつかの興味深い洞察が明らかになり、少数ショット分類の重要な側面と、視覚表現学習や転移学習などの他の分野との関係をよりよく理解するのに役立つ可能性があります。
この論文で明らかになった洞察と研究課題が、関連する方向への将来の仕事を刺激することを願っています。

要約(オリジナル)

Few-shot classification consists of a training phase where a model is learned on a relatively large dataset and an adaptation phase where the learned model is adapted to previously-unseen tasks with limited labeled samples. In this paper, we empirically prove that the training algorithm and the adaptation algorithm can be completely disentangled, which allows algorithm analysis and design to be done individually for each phase. Our meta-analysis for each phase reveals several interesting insights that may help better understand key aspects of few-shot classification and connections with other fields such as visual representation learning and transfer learning. We hope the insights and research challenges revealed in this paper can inspire future work in related directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google