因果小样本分类方法

前门调整解耦

将度量式小样本学习解释为前门调整，提出的方法同时建模样本关系与表示多样性，提升了鲁棒性和分类精度。

Guoliang, Lin · Yongheng, Xu · 赖韩江 · 印鉴

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

有因果解释

将现有度量方法统一为前门调整，可缓解虚假相关并学习因果关系，为理解这些方法提供新视角。

明确改进方向

基于因果解释，引入两个同时考虑样本关系和表示多样性的方法，实验表明其在小样本分类上具有优越性。

应用场景

• 小样本视觉识别：用因果方法提升模型在小样本视觉识别任务中的泛化能力，减少对大量标注数据的依赖。
• 鲁棒迁移学习：缓解虚假相关，使迁移到新领域时更稳健，避免过拟合到无关特征。
• 低数据场景分类：适用于标注样本极少的分类任务，通过因果建模充分利用少量数据中的有效信息。