Fugu-MT 論文翻訳(概要): ATRM: Attention-based Task-level Relation Module for GNN-based Few-shot Learning

論文の概要: ATRM: Attention-based Task-level Relation Module for GNN-based Few-shot Learning

arxiv url: http://arxiv.org/abs/2101.09840v1
Date: Mon, 25 Jan 2021 00:53:04 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 19:08:27.370584
Title: ATRM: Attention-based Task-level Relation Module for GNN-based Few-shot Learning
Title（参考訳）: ATRM:GNNを用いたFew-shot Learningのためのアテンションベースタスクレベル関係モジュール
Authors: Yurong Guo, Zhanyu Ma, Xiaoxu Li, and Yuan Dong
Abstract要約: 注目に基づくタスクレベル関係モジュール(ATRM)という新しい関係測定法を提案する。提案モジュールは,サンプルからサンプルへの埋め込み機能ではなく,サンプルからタスクまでを考慮し,ノード間の関係表現をキャプチャする。実験結果から,提案モジュールはGNNによる少数ショット学習に有効であることが示された。
参考スコア（独自算出の注目度）: 14.464964336101028
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, graph neural networks (GNNs) have shown powerful ability to handle few-shot classification problem, which aims at classifying unseen samples when trained with limited labeled samples per class. GNN-based few-shot learning architectures mostly replace traditional metric with a learnable GNN. In the GNN, the nodes are set as the samples embedding, and the relationship between two connected nodes can be obtained by a network, the input of which is the difference of their embedding features. We consider this method of measuring relation of samples only models the sample-to-sample relation, while neglects the specificity of different tasks. That is, this method of measuring relation does not take the task-level information into account. To this end, we propose a new relation measure method, namely the attention-based task-level relation module (ATRM), to explicitly model the task-level relation of one sample to all the others. The proposed module captures the relation representations between nodes by considering the sample-to-task instead of sample-to-sample embedding features. We conducted extensive experiments on four benchmark datasets: mini-ImageNet, tiered-ImageNet, CUB-200-2011, and CIFAR-FS. Experimental results demonstrate that the proposed module is effective for GNN-based few-shot learning.
Abstract（参考訳）: 近年,グラフニューラルネットワーク(GNN)は,クラスごとのラベル付きサンプルに制限されたトレーニングを行う際に,未知のサンプルを分類することを目的とした,少数ショットの分類問題に対処する強力な能力を示している。 GNNベースの数発の学習アーキテクチャは、主に従来のメトリクスを学習可能なGNNに置き換える。 GNNでは、ノードは埋め込みサンプルとして設定され、2つの接続ノード間の関係はネットワークによって取得され、その入力は埋め込み機能の違いである。サンプル間の関係を測定する方法はサンプル間関係のみをモデル化するが、異なるタスクの特異性は無視する。すなわち、この関係を測定する方法は、タスクレベルの情報を考慮に入れない。そこで本研究では, あるサンプルと他のすべてのサンプルのタスクレベル関係を明示的にモデル化する新しい関係測定法, すなわち注意に基づくタスクレベル関係モジュール (ATRM) を提案する。提案モジュールは,サンプルからサンプルへの埋め込み機能ではなく,サンプルからタスクまでを考慮し,ノード間の関係表現をキャプチャする。我々は,4つのベンチマークデータセット(mini-ImageNet, tiered-ImageNet, CUB-200-2011, CIFAR-FS)について広範な実験を行った。実験結果から,提案モジュールはGNNによる少数ショット学習に有効であることが示された。