小样本学习研究综述
CSTR:
作者:
作者单位:

作者简介:

赵凯琳(1995-),女,博士生,主要研究领域为面向知识图谱的小样本学习.
靳小龙(1976-),男,博士,研究员,博士生导师,CCF高级会员,主要研究领域为大数据知识工程,知识图谱.
王元卓(1978-),男,博士,研究员,博士生导师,CCF杰出会员,主要研究领域为大数据分析,开放知识网络,社交演化分析.

通讯作者:

赵凯琳,E-mail:zhaokailin17z@ict.ac.cn

中图分类号:

基金项目:

国家重点研发计划;国家自然科学基金(U1836206,61772501,61572473,61572469)


Survey on Few-shot Learning
Author:
Affiliation:

Fund Project:

National Key Research and Development Program of China; National Natural Science Foundation of China (U1836206, 61772501, 61572473, 61572469)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    小样本学习旨在通过少量样本学习到解决问题的模型.近年来,在大数据训练模型的趋势下,机器学习和深度学习在许多领域中取得了成功.但是在现实世界中的很多应用场景中,样本量很少或者标注样本很少,而对大量无标签样本进行标注工作将会耗费很大的人力.所以,如何用少量样本进行学习就成为目前人们需要关注的问题.系统地梳理了当前小样本学习的相关工作,具体来说介绍了基于模型微调、基于数据增强和基于迁移学习这3大类小样本学习模型与算法的研究进展;将基于数据增强的方法细分为基于无标签数据、基于数据合成和基于特征增强这3类,将基于迁移学习的方法细分为基于度量学习、基于元学习和基于图神经网络这3类;总结了目前常用的小样本数据集和代表性的小样本学习模型在这些数据集上的实验结果;随后对小样本学习的现状和挑战进行了概述;最后展望了小样本学习的未来发展方向.

    Abstract:

    Few-shot learning is defined as learning models to solve problems from small samples. In recent years, under the trend of training model with big data, machine learning and deep learning have achieved success in many fields. However, in many application scenarios in the real world, there is not a large amount of data or labeled data for model training, and labeling a large number of unlabeled samples will cost a lot of manpower. Therefore, how to use a small number of samples for learning has become a problem that needs to be paid attention to at present. This paper systematically combs the current approaches of few-shot learning. It introduces each kind of corresponding model from the three categories: fine-tune based, data augmentation based, and transfer learning based. Then, the data augmentation based approaches are subdivided into unlabeled data based, data generation based, and feature augmentation based approaches. The transfer learning based approaches are subdivided into metric learning based, meta-learning based, and graph neural network based methods. In the following, the paper summarizes the few-shot datasets and the results in the experiments of the aforementioned models. Next, the paper summarizes the current situation and challenges in few-shot learning. Finally, the future technological development of few-shot learning is prospected.

    参考文献
    相似文献
    引证文献
引用本文

赵凯琳,靳小龙,王元卓.小样本学习研究综述.软件学报,2021,32(2):349-369

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2019-10-09
  • 最后修改日期:2020-01-01
  • 录用日期:
  • 在线发布日期: 2020-09-10
  • 出版日期: 2021-02-06
文章二维码
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号