基于变分贝叶斯的纤维丛元学习算法

TP301.6; 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...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 49; no. 3; pp. 225 - 231
Main Authors 刘洋, 李凡长
Format Journal Article
LanguageChinese
Published 苏州大学计算机科学与技术学院 江苏 苏州215006 2022
Subjects
贝叶斯;流形;纤维丛;分类;卷积神经网络;元学习
Online AccessGet full text

Cover

More Information
Summary:TP301.6; 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.
ISSN:1002-137X
DOI:10.11896/jsjkx.201100111