自适应元迁移算法

跨域少样本更稳

针对预训练与元学习目标不一致问题，引入自适应消除与全局相似度度量，提升跨域少样本分类一致性。

Zheng, Yaoyue · 张雪涛 · 田志强 · 曾玮 · 杜少毅

Knowledge-Based Systems 2023

技术优势

消除预训练干扰

自适应调整预训练表示，去除与元学习目标不匹配的成分，避免在少样本任务上产生误导。

全局关系建模

全局相似度兼容性度量在整体层面考虑样本相关性，使预测结果更一致，减少局部噪声影响。

跨域性能突出

在基类与新类域差异大的场景下仍优于现有方法，适合实际应用中训练与测试分布不一致的情况。

应用场景

• 少样本图像分类：在标注样本极少的图像分类任务中，直接加载该模型即可获得高准确率，无需大量标注。
• 跨域模型泛化：当训练数据与目标域分布差异大时，该方法仍能保持性能，减少对目标域标注的依赖。
• 迁移学习优化：自适应调整预训练表示，为迁移学习提供新的优化思路，可直接集成到现有流程中。