A Complete Survey on Contemporary Methods, Emerging Paradigms and Hybrid Approaches for Few-Shot Learning

要約

深い学習の広範な成功にもかかわらず、膨大な量のデータと広範なトレーニングに対するその激しい要件により、データが不足しているさまざまな現実世界のアプリケーションでは実用的ではありません。
近年、少数のショット学習（FSL）は、新しい学習タスクへの迅速な適応を可能にするために事前知識を活用することにより、これらの制限に対処することを目的とする学習パラダイムとして浮上しています。
Deep Learningのデータ集約的なニーズを非常に補完する特性により、FSLは過去数年で大幅な成長を遂げてきました。
この調査では、FSL分野での最近の進歩の両方の包括的な概要を提供します。
提示された分類法は、以前に提案されたものを拡張します。コンテキスト学習などの新たなFSLパラダイムと、神経プロセスや確率的メタラーニングなど、FSLのメタ学習パラダイム内の新しいカテゴリが組み込まれています。
さらに、FSLの全体的な概要は、一般的に検討された監視された学習設定を超えてFSLを拡張するハイブリッドFSLアプローチについて議論することにより提供されます。
調査では、さまざまなドメインにわたるFSLの多様なアプリケーションも調査しています。
最後に、分野を形成する最近の傾向、顕著な課題、そして有望な将来の研究の方向性について説明します。

要約(オリジナル)

Despite the widespread success of deep learning, its intense requirements for vast amounts of data and extensive training make it impractical for various real-world applications where data is scarce. In recent years, Few-Shot Learning (FSL) has emerged as a learning paradigm that aims to address these limitations by leveraging prior knowledge to enable rapid adaptation to novel learning tasks. Due to its properties that highly complement deep learning’s data-intensive needs, FSL has seen significant growth in the past few years. This survey provides a comprehensive overview of both well-established methods as well as recent advancements in the FSL field. The presented taxonomy extends previously proposed ones by incorporating emerging FSL paradigms, such as in-context learning, along with novel categories within the meta-learning paradigm for FSL, including neural processes and probabilistic meta-learning. Furthermore, a holistic overview of FSL is provided by discussing hybrid FSL approaches that extend FSL beyond the typically examined supervised learning setting. The survey also explores FSL’s diverse applications across various domains. Finally, recent trends shaping the field, outstanding challenges, and promising future research directions are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google