.png){kind=icon}
返回
Optimizing few-shot distribution estimation with negative calibration mitigation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132432.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
小样本学习是一项具有挑战性的任务，近年来已吸引越来越多的研究关注并取得了显著进展。基于数据增强的方法已被提出，通过利用基于类别相似性的基类统计量来校准小样本设置中的偏差特征分布，从而更好地逼近真实的全新类别分布。然而，这些方法忽视了校准是否对所有样本都有益，可能降低学习性能，这种现象被称为负校准。本研究系统地探讨了这一问题，并提出了一种分布融合框架以缓解其不利影响。该框架通过根据样本的遗忘频率预先筛选易受负校准影响的样本，从而增强有效性。此外，现有的分布校准方法通常使用特征均值来测量全新类别与基类分布之间的相似性，捕捉位置差异的同时忽略了协方差中编码的几何结构。所提出的框架利用最优传输策略动态优化全新类别分布估计，借助Bures-Wasserstein距离通过协方差比较来精确捕捉分布差异。在一系列小样本学习基准测试中，我们的方法相比现有方法实现了性能提升，并有效缓解了负校准。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Adaptive blank compensation for few-shot image classification针对少样本图像分类的自适应空白补偿.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A robust transductive distribution calibration method for few-shot learning一种适用于少样本学习的鲁棒半监督分布校准方法PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Adversarial diffusion for few-shot scene adaptive video anomaly detection用于少镜头场景自适应视频异常检测的对抗扩散NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏BLAZE: Cross-Language and Cross-Project Bug Localization via Dynamic Chunking and Hard Example LearningBLAZE：一种基于动态分块和难例学习的跨语言与跨项目缺陷定位方法
OAAI
OAAI分享收藏
Relation fusion propagation network for transductive few-shot learning用于直推式少镜头学习的关系融合传播网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容