.png){kind=icon}
返回
Unsupervised meta-learning for few-shot classification by progressively enhancing task diversity
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131176.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督元学习（UML）旨在通过使用大型、无标签的辅助数据集来解决小样本分类问题。现有的UML方法主要基于基于增强和基于聚类的策略。然而，这些方法在元训练过程中难以在增强任务多样性的同时保持任务可靠性。本研究提出了一种UML方法，即逐步增强任务多样性（PETD），该方法将两种策略整合到一个端到端模型中，以构建更多样化和可靠的训练任务。此外，考虑到模型在训练初期的能力不足，受人类从简单到复杂的渐进学习过程的启发，我们引入了一种渐进多样化策略，通过在训练中引入额外的递增概率，逐步增强任务多样性并确保可靠性。我们在三个公开数据集（mini-ImageNet、CIFAR-FS、tiered-ImageNet）上进行了广泛的领域内实验，并在CUB数据集上进行了更具挑战性的跨领域实验，以验证PETD的有效性。实验结果表明，PETD始终优于以往的UML方法。例如，对于CIFAR-FS的5-way 1-shot和5-shot任务，PETD分别比先前最佳方法显著提升了6.88%和4.34%。代码将发布于https://github.com/ZWB-1224171056/PETD。
Keyword:
Unsupervised meta-learning
few-shot classification
task diversity
progressive learning
clustering-based strategy
