标题：Meta、麦吉尔大学|Few-shot Learning with Noisy Labels（带有噪声标签的小样本学习）

作者：Kevin J Liang, Samrudhdhi B. Rangrej, Tal Hassner等

简介：本文介绍了噪声下的小样本学习。在对新类进行训练时，少样本学习 (FSL) 方法通常假定具有准确标记样本的干净支持集。这种假设通常是不现实的：支持集，无论多么小，仍然可以包含错误标记的样本。因此，标记噪声的鲁棒性对于 FSL 方法的实用性至关重要，但令人惊讶的是，这个问题在很大程度上仍未得到探索。为了解决 FSL 设置中错误标记的样本，作者做出了一些技术贡献。 (1) 作者提供简单但有效的特征聚合方法，改进了流行的 FSL 技术ProtoNet 使用的原型。 (2) 作者描述了一种用于嘈杂少样本学习 (TraNFS) 的新型 Transformer 模型。 TraNFS 利用 Transformer 的注意力机制来权衡错误标记和正确的样本。 (3) 最后，作者在 Mini-ImageNet 和 Tiered-ImageNet 的嘈杂版本上广泛测试了这些方法。作者的结果表明，TraNFS 在干净的支持集上与领先的 FSL 方法相当，但在存在标签噪声的情况下远远优于它们。

论文下载：https://arxiv.org/pdf/2204.05494.pdf

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