learning to propagate labels：transductive propagation network for few-shot learning||论文阅读

最新推荐文章于 2024-05-27 09:57:30 发布
最新推荐文章于 2024-05-27 09:57:30 发布
阅读量606 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： paper reading 深度学习 元学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41803874/article/details/90898346
本文总结了2017年至2019年间顶级计算机视觉会议中关于元学习和小样本学习的重要论文，涵盖了AAAI、CVPR、ECCV、ICCV、ICLR及NIPS等会议的精选内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【论文分享】小样本半监督图结点分类模型 Meta-PN：Meta Propagation Networks for Graph Few-shot Semi-supervised Learning
vector的博客
05-19 1019
本文提出了一种新的图元学习框架：元传播网络(Meta- PN)，用于解决小样本半监督节点分类问题。该框架由两个部分构成 1. Adaptive Label Propagator (Meta Learner)：利用目标模型的反馈来调整其传播策略，以在未标记节点上推断出准确的伪标签。2. Feature-label Transformer (Target Model)： 吸收伪标记节点的结构和特征知识预测标签，从而解决了小样本半监督学习背后的挑战。
Understanding Transductive Few-shot Learning
weixin_41697507的博客
09-17 1304
Image annotation can be a bottleneck for the applicability of machine learning when a costly expert annotation is needed. Some examples are medical imaging, astronomy, or botanics. To alleviate this problem, few-shot classification aims to train classifier
learning to propagate labels ：transductive propagation network for few-shot learning
VIEO
09-16 661
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 论文题目：learning to propagate labels：transductive propagation network for f...
论文阅读笔记《Learning to propagate labels: Transductive propagation network for few-shot learning》
深视
06-10 3870
核心思想   本文提出一种采用直推式传播网络（Transductive Propagation Network，TPN）的小样本学习算法。在介绍本文之前，我们首先了解一下什么是直推式学习（Transductive Learning），我们常见的有监督学习方法其实属于归纳学习（Inductive Learning），也就是训练集是带有真实标签的，而测试集是不带有真实标签的，且二者之间不存在重合的部分。但直推式学习则是将带有标签的训练集和不带标签的测试集都输入到网络进行训练，然后再预测这部分测试集的结果（一个形
论文：learning to propagate labels ：transductive propagation network for few-shot learning
choose_c的博客
01-20 4991
论文题目：learning to propagate labels：transductive propagation network for few-shot learning 论文发表：ICLR2019 Github：github.com/csyanbin/TPN 摘要：少样本学习的目标：在少量训练数据下（每个类别的样本很少），学习到一个有较强泛化能力的分类器。一种解决方式就是通过元学习（m...
Learning to Propagate Labels:Transductive Propagation Network for Few-shot Learning 阅读笔记+代码
靓仔博客
12-04 2234
小样本学习的目标是学习一个分类器，即使在每个类的训练实例数量有限的情况下也能很好地概括。最近引入的元学习方法解决了这个问题，它通过在大量的多类分类任务中学习一个通用分类器，并将模型推广到一个新任务中。然而，即使有了这种元学习，新的分类任务中的低数据问题仍然存在。 在本文中，我们提出了一种新的转导传播网络(TPN)，它是一种新颖的元学习框架，可以对整个测试集进行一次性分类，以缓解低数据量的问题。 具体来说，我们建议通过学习利用数据中的流形结构的图构造模块，来学习如何将标签从标记的实例传播到未标记的测试实例
五大CV顶会，两大机器人顶会关于few-shot-learning论文汇总(NIPS,ICML,CVPR,ECCV,ICCV)
vanlish的博客
04-19 2404
五大CV顶会，两大机器人顶会关于few-shot-learning论文汇总1. NIPS1.1 2015NIPS1.2 2016NIPS1.3 2017NIPS1.4 2018NIPS1.5 2019NIPS2. ICML2.1 2015ICML2.2 2016ICML2.3 2017ICML2.4 2018ICML2.5 2019ICML3. CVPR3.1 2015CVPR3.2 2016CV...
FourierKAN-GCF: Fourier Kolmogorov-Arnold Network--An Effective and Efficient Feature Transformation for Graph Collaborative Filtering
最新发布
04-03
return self.propagate(edge_index=edge_index, size=None, x=x) def message(self, x_j): # 应用傅里叶变换或其他预定义的操作 fourier_transformed_x = ... # 自定义逻辑 return fourier_transformed_x # ...
[阅读笔记] Teaching-to-Learn and Learning-to-Teach for Multi-Label Propagation
qq_31895943的博客
03-06 617
[阅读笔记] Teaching-to-Learn and Learning-to-Teach for Multi-Label Propagation Chen G, Tao D, Liu W, et al. Teaching-to-Learn and Learning-to-Teach for Multi-Label propagation[C]// Thirtieth AAAI Conf...
Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions
weixin_45809449的博客
03-25 2092
为了解决在非常有限数据集地情况下，利用小样本准确地识别故障属性，本文提出了一种叫做基于特征空间度量的元学习模型（FSM3）。该方法混合了一般的监督学习和情景度量元学习，利用来自个别样本的属性信息和一组样本的相似信息。
推荐文章：Transductive Propagation Network - 引领未来少样本学习的新潮流
gitblog_00008的博客
05-27 411
推荐文章：Transductive Propagation Network - 引领未来少样本学习的新潮流 1、项目介绍 Transductive Propagation Network（TPN）是针对少样本学习（Few-shot Learning）问题的一种创新解决方案，源自于2019年ICLR会议的论文。该项目采用了一种新颖的学习策略——传播标签（Learning to Propagate L...
＜Transductive Propagation Network for Few-shot Learning＞官方代码笔记
F_aF_a的博客
09-11 587
文章目录数据模型①`CNNEncoder``RelationNetwork``Prototypical``LabelPropagation` 数据 模型 ①CNNEncoder 提取特征 RelationNetwork Prototypical LabelPropagation
few-shot learning——图神经网络专题
阿文
07-03 7310
papers:Few-Shot Learning with Graph Neural Networks code: https://github.com/vgsatorras/few-shot-gnn Few-shot learning: few-shot的训练集包含很多类别，每个类别有多个样本，在训练阶段...
转导推理——Transductive Learning
weixin_30362233的博客
11-14 1007
　　在统计学习中，转导推理（Transductive Inference）是一种通过观察特定的训练样本，进而预测特定的测试样本的方法。另一方面，归纳推理（Induction Inference）先从训练样本中学习得到通过的规则，再利用规则判断测试样本。然而有些转导推理的预测无法由归纳推理获得，这是因为转导推理在不同的测试集上会产生相互不一致的预测，这也是最令转导推理的学者感兴趣的地方。 ...
论文笔记：Edge-Labeling Graph Neural Network for Few shot Learning
flyminnnnn的博客
05-27 6967
来源：paper, code，CVPR 2019, 韩国高等科技研究所&蒙特利尔大学 Abstract EGNN: edge-labeling graph neutral network 学习预测边的label，使得网络可以利用对于类内相似性和类间不相似性的直接连接状态的探索，通过迭代更新边的标签，使得聚类表示是可以进化的 适合在各种数量的类别之间迁移并且不需要重新训练 Introdu...
论文阅读：Transductive Episodic-Wise Adaptive Metric for Few-Shot Learning（ICCV 2019）
SUNNYMOOD1995的博客
10-28 931
论文阅读：Transductive Episodic-Wise Adaptive Metric for Few-Shot Learning（ICCV 2019） 三部分： 特征提取部分：运用了数据增强，将support set中所有样本处理一下（TIM），得到新的图片集，然后用CNN网络提取特征，query集也用同样的CNN网络提取特征。 距离衡量部分：通过解决一个SDP问题来为每个task定...
Learning Embedding Adaptation for Few-Shot Learning
勤学如春起之苗，不见其增，日有所长
05-05 693
Abstract by learning an instance embedding function from seen classes, and apply the function to instances from unseen classes with limited labels. usually learn a discriminative instance embedding m...
文本分类相关论文
choose_c的博客
01-19 4793
2018年开始关注文本分类的一些论文，在这里做个小小的总结，记录一下。 1.论文题目：Joint Embedding of Words and Labels for Text Classification 机构：Duke University 论文发表：ACL2018 Github：https://github.com/guoyinwang/LEAM 摘要：将标签label与输入文本word ...
论文：Open-Category Classification by Adversarial Sample Generation
choose_c的博客
01-21 1054
论文题目：Open-Category Classification by Adversarial Sample Generation 论文发表：IJCAI2017 Github： 摘要：在真实的分类场景中，很难收集到一个任务存在的所有的类别标签样本。一个鲁棒的分类器在遇到一个没有见过标签的样本时应该能够分辨出来，而不是将它归类于现有的已知的类别中。这是开放类别分类（Open-Category...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值