《表2 小样本学习方法优缺点对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《小样本学习研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于真实世界的某些领域中样本量很少或标注样本很少，而样本标注工作会耗费大量时间和人力，近年来小样本学习逐渐成为人们重点关注的问题.本文介绍了图像分类和文本分类两个任务中小样本学习的研究进展，总体上看，小样本图像分类已有了许多性能优异的算法模型，但小样本文本分类仍是个亟待解决的问题.根据小样本学习方法的不同，本文将其分为基于模型微调、基于数据增强和基于迁移学习的方法这3类，其中，基于数据增强的方法可以细分为基于无标签数据、基于数据合成和基于特征增强的方法这3种，基于迁移学习的方法可以细分为基于度量学习、基于元学习和基于图神经网络的方法这3种.本文对以上几种方法做了总结并且比较了它们的优点和缺点，具体见表2.