“机器会思考吗”和“机器能做人类做的事情吗”是推动人工智能发展的任务。尽管最近的人工智能在许多数据密集型应用中取得了成功,但它仍然缺乏从有限的数据示例学习和对新任务的快速泛化的能力。为了解决这个问题,我们必须求助于机器学习,它支持人工智能的科学研究。特别地,在这种情况下,有一个机器学习问题称为小样本学习(Few-Shot Learning,FSL)。该方法利用先验知识,可以快速地推广到有限监督经验的新任务中,通过推广和类比,模拟人类从少数例子中获取知识的能力。它被视为真正人工智能,是一种减少繁重的数据收集和计算成本高昂的培训的方法,也是罕见案例学习有效方式。随着FSL研究的广泛开展,我们对其进行了全面的综述。我们首先给出了FSL的正式定义。然后指出了FSL的核心问题,将问题从“如何解决FSL”转变为“如何处理核心问题”。因此,从FSL诞生到最近发表的作品都被归为一个统一的类别,并对不同类别的优缺点进行了深入的讨论。最后,我们从问题设置、技术、应用和理论等方面展望了FSL未来可能的发展方向,希望为初学者和有经验的研究者提供一些见解。

成为VIP会员查看完整内容
124
0

相关内容

计算学习理论(Computational learning theory)研究的是关于通过“计算”来进行“学习”的理论,即关于机器学习的理论基础,其目的是分析学习任务的困难本质,为学习算法提供理论保证,并根据分析结果指导算法设计。
元学习(meta learning) 最新进展综述论文
专知会员服务
232+阅读 · 2020年5月8日
基于小样本学习的图像分类技术综述
专知会员服务
126+阅读 · 2020年5月6日
基于深度神经网络的少样本学习综述
专知会员服务
140+阅读 · 2020年4月22日
零样本图像识别综述论文
专知会员服务
53+阅读 · 2020年4月4日
零样本图像识别综述论文
专知
20+阅读 · 2020年4月4日
从 ICLR 2019 一览小样本学习最新进展!
AI科技评论
15+阅读 · 2019年6月9日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
小样本学习(Few-shot Learning)综述
PaperWeekly
119+阅读 · 2019年4月1日
【领域报告】小样本学习年度进展|VALSE2018
深度学习大讲堂
24+阅读 · 2018年6月14日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Few-shot Learning: A Survey
Arxiv
344+阅读 · 2019年4月10日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
12+阅读 · 2018年12月10日
Arxiv
121+阅读 · 2018年10月8日
Arxiv
4+阅读 · 2018年9月11日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
9+阅读 · 2018年7月8日
Arxiv
7+阅读 · 2018年5月23日
小贴士
相关VIP内容
相关论文
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Few-shot Learning: A Survey
Arxiv
344+阅读 · 2019年4月10日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
12+阅读 · 2018年12月10日
Arxiv
121+阅读 · 2018年10月8日
Arxiv
4+阅读 · 2018年9月11日
Few Shot Learning with Simplex
Arxiv
5+阅读 · 2018年7月27日
Arxiv
9+阅读 · 2018年7月8日
Arxiv
7+阅读 · 2018年5月23日
微信扫码咨询专知VIP会员