IBM-小样本学习（Few-shot Learning）State of the art 方法及论文讲解

导读

IBM Research Lab in Haifa 的 Joseph Shtok 公开了一份关于小样本学习的tutorial，详细阐述了解决小样本学习任务的方法和最近的论文。在小样本学习框架中，一些学习任务，比如分类、检测，每个类别都只用了很少的样本，同时依赖于无关的大的离线数据集。

编译：Xiaowen

1

作者简介

Joseph Shtok

Researcher at IBM Research Lab in Haifa

“

在计算机视觉领域，我的两个主要专长领域是基于深度学习的目标识别算法，以及目标和场景的三维姿态检测和跟踪算法。前者代表着人工智能领域的大门，后者则是增强现实应用的算法核心。

”

2

Tutorial

【小样本学习方法及论文讲解PPT便捷下载】

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“IBM小样本学习”就可以获取《小样本学习state of the art》的PPT下载链接~

问题陈述：

给定任务

问题陈述：

分类问题

问题陈述：

检测问题

问题陈述：

回归问题

为什么要进行小样本学习？

1. 让深度学习更接近真实世界案例

2. 它涉及到一系列令人兴奋的尖端技术

小样本学习

元学习

循环元学习器

优化器

度量学习

样本合成

分类任务的合成器优化

更多增强方法

生成式对抗网络增强

作者的观点

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！530+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程