使用条件神经自适应过程实现快速灵活的多任务分类

本文的目标是设计一种图像分类系统，该系统在初始的多任务训练阶段之后，能够在测试时自动适应遇到的新任务。为此，我们引入了一种基于条件神经过程的方法来处理多任务分类问题，并建立了与元学习和少样本学习文献的联系。所提出的方法称为CNAPs（Conditional Neural Adaptive Processes），它包括一个由适应网络调制参数的分类器，该适应网络以当前任务的数据集作为输入。我们证明了CNAPs在具有挑战性的Meta-Dataset基准测试中取得了最先进的结果，表明其高质量的迁移学习能力。我们还展示了该方法的鲁棒性，既避免了在少样本场景下的过拟合，也避免了在多样本场景下的欠拟合。时间实验表明，CNAPs在测试时计算效率高，因为它不涉及基于梯度的适应过程。最后，我们证明了经过训练的模型可以立即应用于持续学习和主动学习，在这些领域中它们的表现优于那些不利用迁移学习的现有方法。