东南大学提出条件自监督小样本学习方法，显著提升小样本分类准确率

如何从有限的样本中学习可迁移的特征表示是小样本学习（Few-Shot Learning）的一个关键挑战。最近，自监督学习作为辅助任务被加入到小样本主任务的学习中，以提高小样本学习的表征能力。然而，传统的自监督学习方法往往依赖于大量的训练样本。在小样本场景中，由于缺乏足够多的样本，这些自监督方法可能学习到一种有偏的表示，从而导致对主任务的错误指导，引起小样本学习的性能下降。 

本文提出条件自监督学习（Conditional Self-Supervised Learning，CSS）方法，利用先验知识指导自监督任务的表征学习。具体而言，CSS 利用有标记数据中固有的监督信息，改进自监督学习特征流形，从而减少表示偏差，以挖掘更有效的语义信息。另外，CSS 分别通过监督学习和改进的自监督学习挖掘出更多有意义的信息，并将这些信息整合成一个统一的分布，进一步丰富和拓展了原有的表示方法。大量实验表明，与现有的小样本学习方法相比，本文提出的方法在不进行任何微调的情况下，能够显著提高小样本分类的准确率。

论文链接：

代码链接：

内容中包含的图片若涉及版权问题，请及时与我们联系删除