A Closer Look at Few-shot Classification Again

要約

フューショット分類は、比較的大規模なデータセットでモデルを学習するトレーニング フェーズと、限られたラベル付きサンプルを使用して学習したモデルをこれまでに見たことのないタスクに適応させる適応フェーズで構成されます。
この論文では、トレーニング アルゴリズムと適応アルゴリズムが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、少数ショット分類の重要な側面や、視覚表現学習や転移学習などの他の分野との関連性をより深く理解するのに役立つ可能性のあるいくつかの興味深い洞察が明らかになります。
この論文で明らかになった洞察と研究課題が、関連する方向での将来の研究にインスピレーションを与えることを願っています。
コードと事前トレーニングされたモデル (PyTorch 内) は https://github.com/Frankluox/CloserLookAgainFewShot で入手できます。

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. Code and pre-trained models (in PyTorch) are available at https://github.com/Frankluox/CloserLookAgainFewShot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google