融合零样本学习和小样本学习的弱监督学习方法综述

TP391.41; 深度学习模型严重依赖于大量人工标注的数据,使得其在数据缺乏的特殊领域内应用严重受限.面对数据缺乏等现实挑战,很多学者针对数据依赖小的弱监督学习方法开展研究,出现了小样本学习、零样本学习等典型研究方向.对此,本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习,包括问题定义、当前主流方法以及实验设计方案,并对典型模型的分类性能进行对比.然后,给出零-小样本学习的问题描述,总结研究现状和实验设计,并对比典型方法的性能.最后,基于当前研究中出现的问题对未来研究方向进行展望,包括多种弱监督学习方法的融合与理论基础的探究,以及在其他领域的应用....

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 42; no. 10; pp. 2246 - 2256
Main Authors 潘崇煜, 黄健, 郝建国, 龚建兴, 张中杰
Format Journal Article
LanguageChinese
Published 国防科技大学智能科学学院,湖南长沙410073 01.10.2020
Subjects
小样本学习
零样本学习
弱监督学习
零-小样本学习
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2020.10.13

Cover

More Information
Summary:TP391.41; 深度学习模型严重依赖于大量人工标注的数据,使得其在数据缺乏的特殊领域内应用严重受限.面对数据缺乏等现实挑战,很多学者针对数据依赖小的弱监督学习方法开展研究,出现了小样本学习、零样本学习等典型研究方向.对此,本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习,包括问题定义、当前主流方法以及实验设计方案,并对典型模型的分类性能进行对比.然后,给出零-小样本学习的问题描述,总结研究现状和实验设计,并对比典型方法的性能.最后,基于当前研究中出现的问题对未来研究方向进行展望,包括多种弱监督学习方法的融合与理论基础的探究,以及在其他领域的应用.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2020.10.13