Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement

要約

タイトル：反復的グラフの改善によるプロトタイプベースのラベル伝播を利用した転移学習における一部学習

要約：

– 転移学習は、新しいクラスに適応する能力があるため人気があるが、従来の学習法に比べると性能が良い。特に、転移学習には2つの方法が存在し、プロトタイプベースとグラフベースがあるが、それぞれ欠点がある。
– この論文では、従来の欠点を改善し、ラベル伝播を利用したプロトタイプベース学習を提案する。
– 具体的には、グラフ構成は、サンプル間ではなく、プロトタイプとサンプル間の関係に基づく。プロトタイプが更新されると、グラフも変化する。
– また、各プロトタイプのラベルを推定し、プロトタイプをクラスの中心として考えない。
– Mini-ImageNet、Tiered-ImageNet、CIFAR-FS、CUBのデータセットを使用し、提案手法が転移学習と半教師付き学習の分野で他の最先端の方法よりも優れていることを示す。

要約(オリジナル)

Few-shot learning (FSL) is popular due to its ability to adapt to novel classes. Compared with inductive few-shot learning, transductive models typically perform better as they leverage all samples of the query set. The two existing classes of methods, prototype-based and graph-based, have the disadvantages of inaccurate prototype estimation and sub-optimal graph construction with kernel functions, respectively. In this paper, we propose a novel prototype-based label propagation to solve these issues. Specifically, our graph construction is based on the relation between prototypes and samples rather than between samples. As prototypes are being updated, the graph changes. We also estimate the label of each prototype instead of considering a prototype be the class centre. On mini-ImageNet, tiered-ImageNet, CIFAR-FS and CUB datasets, we show the proposed method outperforms other state-of-the-art methods in transductive FSL and semi-supervised FSL when some unlabeled data accompanies the novel few-shot task.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI