DWBI_mlgroup的博客

学习自我训练的半监督小样本分类Li-nips2019-LST-Learning to Self-Train for Semi-Supervised Few-Shot Classification摘要作者提出了一种新颖的半监督元学习方法：学习自我训练（简称 LST）。这种方法利用无标签数据，特别是学习如何择优挑选和标记这些无标签数据，以进一步提高性能。对于每个小样本任务，训练一个小样本模型来预测无标签数据的伪标签，然后对有标签和伪标签数据的自训练步骤进行迭代，每一步都进行调优。还学习了一个软权重网络（简

半监督小样本分类的元学习论文原文链接：https://arxiv.org/abs/1803.00676摘要在小样本分类中，人们感兴趣的学习算法是，仅根据少量带标记样例训练分类器的算法。元学习是近年来小样本分类研究的一大特色，元学习定义了一个学习算法的参数化模型，并在代表不同分类问题的片段上进行训练，每个片段都有一个小的带标记训练集和相应的测试集。本文中，作者将这种小样本分类模式推进到一个新场景中，在这个新场景中，每个片段也可以使用未标记的样例。作者考虑了两种情况：第一种情况是，假设所有未标记样例都与本

小样本学习的原型网络论文原文链接：https://arxiv.org/abs/1703.05175摘要作者提出了一种小样本分类问题的原型网络，在这种网络中，分类器必须推广到训练集中没有的新类别，每个新类别只有少量样例。该原型网络学习一个度量空间，通过计算每个类的原型表示的距离进行分类。与最近的小样本学习方法相比，该方法反映出更简单的归纳偏好，这有益于这种有限数据的状况，因此取得了出色的效果。作者给出的分析表明，某些简单的设计决定能够产生实质的改进，超过了最近的方法，包括复杂的架构选择和元学习。作者把该

batch 模式主动学习的元学习方法摘要什么是 batch 模式主动学习？挑选一批样例，立刻标注用于训练。优点：最符合逻辑。不必等整个挑选过程完成后，再训练。而是边挑选，边训练。能够最高效地利用人力进行标注。本文的工作是，利用元学习来学习主动学习算法，在一个小训练集上，挑选一组最佳样例（未标注）来标注加入训练。实验结果表明，本文提出的主动学习算法比传统的启发式方法更好。所构建的带标签训练集，能更好地改善分类器。本文的缺点是没有提供源代码。1 引言主动学习方法的主流

摘要题目：通过信息最大化实现小样本学习的注意力权重生成论文的主要贡献有两个：生成的权重与输入数据之间的互信息最大化使得生成的权重能够保留小样本学习任务和特定查询样例的信息。两条注意力路径：自我注意和交叉注意对小样本学习任务的上下文和个性化查询进行编码论文写作框架简介相关工作2.1. 小样本学习2.2. 注意力机制2.3. 互信息提出的方法3.1. 问题的形式化定义3.2. 潜在的特征向量优化3.3. 权重生成的信息最大化3.4. 注意力权重生成3.4.1 上下文和注

Bayesian Generative Active Deep Learning一、解决的问题二、模型的框架：BALD挑选策略+VAE-ACGAN生成网络（1）Bayesian Active Learning by Disagreement（2）变分自编码器 (VAE, Variational Auto Encoder)（3）ACGAN（Auxiliary Classifier Generative Adversarial Network）（4）Bayesian Generative Active Deep