-
题名面向深度网络的小样本学习综述
被引量：8
- 1
-
-
作者
潘雪玲
李国和
郑艺峰
-
机构
中国石油大学(北京)石油数据挖掘北京市重点实验室
中国石油大学(北京)信息科学与工程学院
闽南师范大学计算机学院
数据科学与智能应用福建省高校重点实验室
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第10期2881-2888,2895,共9页
-
基金
国家自然科学基金资助项目(62376114)
克拉玛依科技发展计划项目(2020CGZH0009)
+1 种基金
福建省自然科学基金资助项目(2021J011004,2021J011002)
教育部产学研创新计划资助项目(2021LDA09003)。
-
文摘
深度学习以数据为驱动,被广泛应用于各个领域,但由于数据隐私、标记昂贵等导致样本少、数据不完备性等问题,同时小样本难于准确地表示数据分布,使得分类模型误差较大,且泛化能力差。为此,小样本学习被提出,旨在利用较少目标数据训练模型快速学习的能力。系统梳理了近几年来小样本学习领域的相关工作,主要整理和总结了基于数据增强、基于元学习和基于转导图小样本学习方法的研究进展。首先,从基于监督增强和基于无监督增强阐述数据增强的主要特点。其次,从基于度量学习和基于参数优化两方面对基于元学习的方法进行分析。接着,详细总结转导图小样本学习方法,介绍常用的小样本数据集,并通过实验阐述分析具有代表性的小样本学习模型。最后总结现有方法的局限性,并对小样本学习的未来研究方向进行展望。
-
关键词
小样本学习
数据增强
元学习
度量学习
转导图小样本学习
-
Keywords
few-shot learning
data augmentation
meta-learning
metric learning
transductive graph few-shot learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
