論文の概要: Toward Better Generalization in Few-Shot Learning through the Meta-Component Combination

• arxiv url: http://arxiv.org/abs/2511.11632v1
• Date: Fri, 07 Nov 2025 23:33:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.319845
• Title: Toward Better Generalization in Few-Shot Learning through the Meta-Component Combination
• Title（参考訳）: メタコンポーネントの組み合わせによるFew-Shot学習の一般化に向けて
• Authors: Qiuhao Zeng,
• Abstract要約: 数ショットの学習では、分類器は、新しいクラスの少数のインスタンスしか持たない未確認のクラスに一般化されることが期待されている。 マイクロショット学習の一般的なソリューションの1つは、メトリックベースのメタラーニングである。 メタコンポーネントの組み合わせとして各分類器を学習するための新しいメタ学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.201879135253292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In few-shot learning, classifiers are expected to generalize to unseen classes given only a small number of instances of each new class. One of the popular solutions to few-shot learning is metric-based meta-learning. However, it highly depends on the deep metric learned on seen classes, which may overfit to seen classes and fail to generalize well on unseen classes. To improve the generalization, we explore the substructures of classifiers and propose a novel meta-learning algorithm to learn each classifier as a combination of meta-components. Meta-components are learned across meta-learning episodes on seen classes and disentangled by imposing an orthogonal regularizer to promote its diversity and capture various shared substructures among different classifiers. Extensive experiments on few-shot benchmark tasks show superior performances of the proposed method.
• Abstract（参考訳）: 数ショットの学習では、分類器は、新しいクラスの少数のインスタンスしか持たない未確認のクラスに一般化されることが期待されている。 マイクロショット学習の一般的なソリューションの1つは、メトリックベースのメタラーニングである。 しかし、これは目に見えないクラスで学習された深い計量に大きく依存する。 一般化を改善するため,分類器のサブ構造を探索し,メタコンポーネントの組み合わせとして各分類器を学習するための新しいメタ学習アルゴリズムを提案する。 メタコンポーネントは、見知らぬクラスにおけるメタラーニングのエピソードを通じて学習され、直交正規化器を付与して多様性を促進し、異なる分類器間で様々な共有サブ構造をキャプチャする。 数ショットのベンチマークタスクに対する大規模な実験は,提案手法の優れた性能を示す。

関連論文リスト

• On the Limits of Multi-modal Meta-Learning with Auxiliary Task Modulation Using Conditional Batch Normalization [35.39571632348391]
  少ないショット学習は、新しいタスクに対処できる表現を学習することを目的としている。 近年の研究では、クロスモーダル学習は、数発の分類において表現を改善することが示されている。 言語は豊かなモダリティであり、視覚的な学習を導くのに使うことができる。
  論文  参考訳（メタデータ） (2024-05-29T04:29:12Z)
• Few-shot Classification via Ensemble Learning with Multi-Order Statistics [9.145742362513932]
  基本クラスにおけるアンサンブル学習を活用することで,新たなクラスにおける真の誤りを低減できることを示す。 本稿では,多階統計を用いたアンサンブル学習法(ELMOS)を提案する。 提案手法は,複数ショットの分類ベンチマークデータセット上で,最先端の性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-04-30T11:41:01Z)
• Multi-Faceted Distillation of Base-Novel Commonality for Few-shot Object Detection [58.48995335728938]
  基本クラスと新規クラスの間に3種類のクラスに依存しない共通点を明示的に学習する。 提案手法は,既存の微調整方式のほとんどに容易に統合でき,一貫した性能向上が期待できる。
  論文  参考訳（メタデータ） (2022-07-22T16:46:51Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Improving Generalization in Meta-learning via Task Augmentation [69.83677015207527]
  本稿ではMetaMixとChannel Shuffleの2つのタスク拡張手法を提案する。 MetaMixとChannel Shuffleはどちらも、多くのデータセットにまたがる大きなマージンによって、最先端の結果を上回っている。
  論文  参考訳（メタデータ） (2020-07-26T01:50:42Z)
• Meta-Meta Classification for One-Shot Learning [11.27833234287093]
  メタメタ分類(メタメタ分類)と呼ばれる,小さなデータ設定で学習する新しい手法を提案する。 このアプローチでは、学習者の集合を設計するために大量の学習問題を使用し、各学習者は高いバイアスと低い分散を持つ。 本研究では,一対一で一対一の分類課題に対するアプローチの評価を行い,従来のメタラーニングやアンサンブルアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-17T07:05:03Z)
• Meta-Baseline: Exploring Simple Meta-Learning for Few-Shot Learning [79.25478727351604]
  評価基準に基づいて,分類済みモデル全体に対するメタラーニング(メタラーニング)を提案する。 我々は,この単純な手法が標準ベンチマークにおける最先端手法との競合性能を達成するのを観察する。
  論文  参考訳（メタデータ） (2020-03-09T20:06:36Z)
• Unraveling Meta-Learning: Understanding Feature Representations for Few-Shot Tasks [55.66438591090072]
  メタラーニングの基礎となる力学と、メタラーニングを用いて訓練されたモデルと古典的に訓練されたモデルの違いをよりよく理解する。 数ショット分類のための標準訓練ルーチンの性能を高める正則化器を開発した。
  論文  参考訳（メタデータ） (2020-02-17T03:18:45Z)
• Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
  メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。 我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
  論文  参考訳（メタデータ） (2020-02-11T01:39:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。