《表2 小样本学习方法优缺点对比》
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.
图表编号 | XD00207323800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 赵凯琳、靳小龙、王元卓 |
绘制单位 | 中国科学院计算技术研究所网络数据科学与技术重点实验室、中国科学院大学计算机与控制学院、中国科学院计算技术研究所网络数据科学与技术重点实验室、中国科学院大学计算机与控制学院、中国科学院计算技术研究所网络数据科学与技术重点实验室、中国科学院大学计算机与控制学院 |
更多格式 | 高清、无水印(增值服务) |