科研之友
微信
新浪微博
Facebook
分享链接
摘要
以神经网络为基础的深度学习在大量领域取得优异成果，但其难以处理相似或未经训练的任务。深度学习在对新任务的学习和适应过程中存在困难，且对训练样本规模要求很高，造成泛化性和扩展性不佳的问题。元学习是一种新的学习框架，旨在解决传统学习方法难以解决的快速学习和适应新任务的问题。针对图像分类的元学习问题，文中提出了一种基于贝叶斯理论的纤维丛元学习算法(Fiber Bundle Meta-learning Algorithm, FBBML)。首先通过卷积神经网络提取支持数据集的图片信息，以得到图片的表示。然后构建数据特征的流形结构和数据特征到标签的纤维丛。最后输入查询集选取当前新任务的流形截面，从而获得适合新任务的纤维，得到图片的正确标签。实验结果表明，基于所提算法实现的模型(FBBML)在公共数据集(mini-ImageNet)上相比标准四层卷积神经网络的模型取得了最佳的准确率性能。同时将纤维丛理论引入元学习，使得算法本身具备更高的可解释性。
- 单位
