【ICML2020】拉普拉斯正则化小样本学习，Laplacian Regularized Few-Shot Learning

题目： Laplacian Regularized Few-Shot Learning

简介：

我们为小样本学习提出了一个拉普拉斯正则化推断。给定从基类中学习到的任何特征嵌入，我们将包含两个项的二次二进制赋值函数最小化：（1）将查询样本分配给最近的类原型的一元项，以及（2）鼓励附近查询样本成对使用的成对拉普拉斯项具有一致的标签。我们的推论不会重新训练基本模型，并且可以将其视为查询集的图形聚类，但要受到支持集的监督约束。我们导出了函数松弛的计算有效边界优化器，该函数在保证收敛的同时为每个查询样本计算独立（并行）更新。在基础类上进行简单的交叉熵训练，并且没有复杂的元学习策略后，我们对五个基准进行了全面的实验。我们的LaplacianShot在不同模型，设置和数据集上具有显着优势，始终优于最新方法。此外，我们的归纳推理非常快，其计算时间接近于归纳推理，可用于大规模的一次性任务。