轉(zhuǎn)于 數(shù)據(jù)STUDIO

機器學習最近取得了很大的進展，但仍然有一個主要的挑戰(zhàn)：需要大量的標記數(shù)據(jù)來訓練模型。

有時這種數(shù)據(jù)在現(xiàn)實世界中是無法獲得的。以醫(yī)療保健為例，我們可能沒有足夠的x光掃描來檢查一種新的疾病。但是通過少樣本學習可以讓模型只從幾個例子中學習到知識!

所以少樣本學習(FSL)是機器學習的一個子領(lǐng)域，它解決了只用少量標記示例學習新任務(wù)的問題。FSL的全部意義在于讓機器學習模型能夠用一點點數(shù)據(jù)學習新東西，這在收集一堆標記數(shù)據(jù)太昂貴、花費太長時間或不實用的情況下非常有用。

支持樣本/查詢集:使用少量圖片對查詢集進行分類。

少樣本學習中有三種主要方法需要了解:元學習、數(shù)據(jù)級和參數(shù)級。

• · 元學習:元學習包括訓練一個模型，學習如何有效地學習新任務(wù);
• · 據(jù)級:數(shù)據(jù)級方法側(cè)重于增加可用數(shù)據(jù)，以提高模型的泛化性能;
• · 參數(shù)級:參數(shù)級方法旨在學習更健壯的特征表示，以便更好地泛化到新任務(wù)中

元學習

元學習(學習如何學習)。這種方法訓練一個模型學習如何有效地學習新任務(wù)。這個模型是關(guān)于識別不同任務(wù)之間的共同點，并使用這些知識通過幾個例子快速學習新東西。

元學習算法通常在一組相關(guān)任務(wù)上訓練模型，并學習從可用數(shù)據(jù)中提取與任務(wù)無關(guān)的特征和特定于任務(wù)的特征。任務(wù)無關(guān)的特征捕獲關(guān)于數(shù)據(jù)的一般知識，而任務(wù)特定的特征捕獲當前任務(wù)的細節(jié)。在訓練過程中，算法通過僅使用每個新任務(wù)的幾個標記示例更新模型參數(shù)來學習適應(yīng)新任務(wù)。這使得模型可以用很少的示例推廣到新的任務(wù)。

數(shù)據(jù)級方法

數(shù)據(jù)級方法側(cè)重于擴充現(xiàn)有數(shù)據(jù)，這樣可以幫助模型更好地理解數(shù)據(jù)的底層結(jié)構(gòu)，從而提高模型的泛化性能。

主要思想是通過對現(xiàn)有示例應(yīng)用各種轉(zhuǎn)換來創(chuàng)建新的示例，這可以幫助模型更好地理解數(shù)據(jù)的底層結(jié)構(gòu)。

有兩種類型的數(shù)據(jù)級方法:

• · 數(shù)據(jù)增強:數(shù)據(jù)增強包括通過對現(xiàn)有數(shù)據(jù)應(yīng)用不同的轉(zhuǎn)換來創(chuàng)建新的示例;
• · 數(shù)據(jù)生成:數(shù)據(jù)生成涉及使用生成對抗網(wǎng)絡(luò)(GANs)從頭生成新的示例。

數(shù)據(jù)級的方法:

參數(shù)級方法目標是學習更健壯的特征表示，可以更好地泛化到新的任務(wù)。

有兩種參數(shù)級方法:

• · 特征提取:特征提取涉及從數(shù)據(jù)中學習一組特征，可以用于新任務(wù);
• · 微調(diào):微調(diào)包括通過學習最優(yōu)參數(shù)使預(yù)訓練的模型適應(yīng)新任務(wù)。

例如，假設(shè)你有一個預(yù)先訓練好的模型，它可以識別圖像中的不同形狀和顏色。通過在新數(shù)據(jù)集上微調(diào)模型，只需幾個示例，它就可以快速學會識別新的類別。

元學習是FSL的一種流行方法，它涉及到在各種相關(guān)任務(wù)上訓練模型，以便它能夠?qū)W習如何有效地學習新任務(wù)。該算法學習從可用數(shù)據(jù)中提取任務(wù)無關(guān)和任務(wù)特定的特征，快速適應(yīng)新的任務(wù)。

元學習算法可以大致分為兩種類型:基于度量的和基于梯度的。

基于度量的元學習

基于度量的元學習算法學習一種特殊的方法來比較每個新任務(wù)的不同示例。他們通過將輸入示例映射到一個特殊的特征空間來實現(xiàn)這一點，在這個空間中，相似的示例放在一起，而不同的示例則分開很遠。模型可以使用這個距離度量將新的示例分類到正確的類別中。

一種流行的基于度量的算法是Siamese Network，它學習如何通過使用兩個相同的子網(wǎng)絡(luò)來測量兩個輸入示例之間的距離。這些子網(wǎng)絡(luò)為每個輸入示例生成特征表示，然后使用距離度量(如歐幾里得距離或余弦相似度)比較它們的輸出。

基于梯度元的學習

基于梯度的元學習學習如何更新他們的參數(shù)，以便他們能夠快速適應(yīng)新的挑戰(zhàn)。

這些算法訓練模型學習一組初始參數(shù)，只需幾個例子就能快速適應(yīng)新任務(wù)。MAML (model - agnostic元學習)是一種流行的基于梯度的元學習算法，它學習如何優(yōu)化模型的參數(shù)以快速適應(yīng)新任務(wù)。它通過一系列相關(guān)任務(wù)來訓練模型，并使用每個任務(wù)中的一些示例來更新模型的參數(shù)。一旦模型學習到這些參數(shù)，它就可以使用當前任務(wù)中的其他示例對它們進行微調(diào)，提高其性能。

FSL有幾種算法，包括：

• · 與模型無關(guān)的元學習(Model-Agnostic Meta-Learning): MAML是一種元學習算法，它為模型學習了一個良好的初始化，然后可以用少量的例子適應(yīng)新的任務(wù)。
• · 匹配網(wǎng)絡(luò) （Matching Networks）:匹配網(wǎng)絡(luò)通過計算相似度來學習將新例子與標記的例子匹配。
• · 原型網(wǎng)絡(luò)（Prototypical Networks）:原型網(wǎng)絡(luò)學習每個類的原型表示，根據(jù)它們與原型的相似性對新示例進行分類。
• · 關(guān)系網(wǎng)絡(luò)（Relation Networks）:關(guān)系網(wǎng)絡(luò)學會比較成對的例子，對新的例子做出預(yù)測。

與模型無關(guān)的元學習

MAML的關(guān)鍵思想是學習模型參數(shù)的初始化，這些參數(shù)可以通過一些示例適應(yīng)新任務(wù)。在訓練過程中，MAML接受一組相關(guān)任務(wù)，并學習僅使用每個任務(wù)的幾個標記示例來更新模型參數(shù)。這一過程使模型能夠通過學習模型參數(shù)的良好初始化來泛化到新的任務(wù)，這些參數(shù)可以快速適應(yīng)新的任務(wù)。

匹配網(wǎng)絡(luò)

匹配網(wǎng)絡(luò)是另一種常用的少樣本圖像分類算法。它不是學習固定的度量或參數(shù)，而是基于當前支持集學習動態(tài)度量。這意味著用于比較查詢圖像和支持集的度量因每個查詢圖像而異。

匹配網(wǎng)絡(luò)算法使用一種注意力機制來計算每個查詢圖像的支持集特征的加權(quán)和。權(quán)重是根據(jù)查詢圖像和每個支持集圖像之間的相似性來學習的。然后將支持集特征的加權(quán)和與查詢圖像特征連接起來，得到的向量通過幾個全連接的層來產(chǎn)生最終的分類。

原型網(wǎng)絡(luò)

原型網(wǎng)絡(luò)是一種簡單有效的少樣本圖像分類算法。它學習圖像的表示，并使用支持示例的嵌入特征的平均值計算每個類的原型。在測試過程中，計算查詢圖像與每個類原型之間的距離，并將原型最近的類分配給查詢。

關(guān)系網(wǎng)絡(luò)

關(guān)系網(wǎng)絡(luò)學習比較支持集中的示例對，并使用此信息對查詢示例進行分類。關(guān)系網(wǎng)絡(luò)包括兩個子網(wǎng)絡(luò):特征嵌入網(wǎng)絡(luò)和關(guān)系網(wǎng)絡(luò)。特征嵌入網(wǎng)絡(luò)將支持集中的每個示例和查詢示例映射到一個特征空間。然后關(guān)系網(wǎng)絡(luò)計算查詢示例和每個支持集示例之間的關(guān)系分數(shù)。最后使用這些關(guān)系分數(shù)對查詢示例進行分類。

少樣本學習在不同的領(lǐng)域有許多應(yīng)用，包括:

在各種計算機視覺任務(wù)中，包括圖像分類、目標檢測和分割。少樣本學習可以識別圖像中不存在于訓練數(shù)據(jù)中的新對象。

在自然語言處理任務(wù)中，如文本分類、情感分析和語言建模，少樣本學習有助于提高語言模型在低資源語言上的性能。

在機器人技術(shù)中使用少數(shù)次學習，使機器人能夠快速學習新任務(wù)，適應(yīng)新環(huán)境。例如，機器人只需要幾個例子就可以學會撿起新物體。

少樣本在醫(yī)療診斷領(lǐng)域可以在數(shù)據(jù)有限的情況下識別罕見疾病和異常，可以幫助個性化治療和預(yù)測病人的結(jié)果。

少樣本學習是一種強大的技術(shù)，它使模型能夠從少數(shù)例子中學習。它在各個領(lǐng)域都有大量的應(yīng)用，并有可能徹底改變機器學習。隨著不斷的研究和開發(fā)，少樣本學習可以為更高效和有效的機器學習系統(tǒng)鋪平道路。

作者：Christophe Atten