组建传导传播网络,用于半监督的少量学习
Xueling Pan1,2, Guohe Li1,2, Yifeng Zheng3,4
1Beijing Key Lab of Petroleum Data Mining, Department of Geophysics, China University of Petroleum, Beijing 102249, China.
Entropy (Basel, Switzerland)
|February 23, 2024
概括
这项研究介绍了集体传导传播网络 (ETPN),这是一种利用未标记的数据和Dempster-Shafer (D-S) 证据融合的少数射击学习的新策略. ETPN提高了模型的准确性和稳定性,优于现有的几次学习方法.
科学领域:
- 机器学习 机器学习
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 短暂的学习面临着有限的训练数据所带来的挑战,导致高差异,偏差和过度匹配.
- 基于图形的传导性少数射击学习利用未标记的数据来改进预测,成为一个重要的研究领域.
- 现有的方法很难有效地整合来自有限的标签和丰富的无标签数据的信息.
研究的目的:
- 提出一个全新的集体半监督的少数射击学习策略,名为集体传导传播网络 (ETPN).
- 提高未标记数据的利用率,提高少量学习模型的稳定性和准确性.
- 通过整合传导网络和Dempster-Shafer证据融合来解决当前少数射击学习方法的局限性.
主要方法:
- 开发了同质性和异质性集成传导传播网络,具有用于代推理的预设权重系数.
- 改进了Dempster-Shafer (D-S) 证据融合,通过结合信息来实现稳定的多模型结果融合.
- 改进了使用L2规范进行集成修剪,以选择准确的个体学习者,并引入了干扰集,以提高反干扰能力.
主要成果:
- 拟议的集成传导传播网络 (ETPN) 与最先进的几次射击学习模型相比,表现出更高的性能.
- 在miniImagNet和分层ImageNet上的5向5拍设置中,分别实现了0.3%和0.28%的精度改进.
- 在miniImagNet和分层ImageNet的5路一拍设置中,显示了3.43%和7.6%的显著收益,突出显示了非常有限的数据的有效性.
结论:
- 通过传导式学习和证据融合,ETPN有效地解决了少数人学习的挑战,通过强有力的利用未标记的数据.
- 组合方法,DS理论和传导传播的新整合为少数拍摄分类提供了稳定而准确的方法.
- 拟议的战略代表了少量学习的重大进步,特别是在标记样本稀缺的场景中.
