Instanz-Glaubwürdigkeitsinferenz für Few-Shot-Lernen

Few-shot Learning (FSL) zielt darauf ab, neue Objekte mit äußerst begrenzten Trainingsdaten pro Kategorie zu erkennen. Bisherige Ansätze versuchten, dieses problematische Mangel an Daten durch die Nutzung des Meta-Learning-Paradigmas oder durch neuartige Prinzipien der Datenverstärkung (Data Augmentation) zu mildern. Im Gegensatz dazu präsentiert dieser Artikel einen einfachen statistischen Ansatz, der als Instance Credibility Inference (ICI) bezeichnet wird, um die Verteilungsunterstützung unlabeleder Instanzen für das Few-shot Learning auszunutzen. Konkret trainieren wir zunächst einen linearen Klassifikator mit den gelabelten Few-shot-Beispielen und verwenden ihn, um Pseudolabels für die unlabeleden Daten abzuleiten. Um die Glaubwürdigkeit jeder pseudolabelierten Instanz zu messen, schlagen wir vor, eine weitere lineare Regressionshypothese zu lösen, indem wir die Sparsamkeit der zufälligen Parameter erhöhen, und ordnen die pseudolabelierten Instanzen nach ihrem Grad an Sparsamkeit. Anschließend wählen wir die vertrauenswürdigsten pseudolabelierten Instanzen zusammen mit den gelabelten Beispielen aus, um den linearen Klassifikator erneut zu trainieren. Dieser Prozess wird iterativ wiederholt, bis alle unlabeleden Proben im erweiterten Trainingsset enthalten sind, d. h., bis die Pseudolabels für die Gesamtheit der unlabeleden Daten konvergiert sind. Umfangreiche Experimente unter zwei verschiedenen Few-shot-Szenarien zeigen, dass unser einfacher Ansatz neue State-of-the-Art-Ergebnisse auf vier weit verbreiteten Few-shot-Learning-Benchmark-Datensätzen erzielt, darunter miniImageNet, tieredImageNet, CIFAR-FS und CUB. Der Quellcode ist unter folgender URL verfügbar: https://github.com/Yikai-Wang/ICI-FSL