分享人：张志刚
分享内容：小样本深度学习算法综述
分享时间：2021年10月12日15:40
分享地点：知行楼B座一楼会议室
参加人员：中心研究员们
摘要：机器学习在数据密集型应用中非常成功，但在数据集较小时往往会受到阻碍。最近，提出了小样本学习（FSL）来解决这个问题。使用先验知识，FSL 可以快速推广到仅包含少数具有监督信息的样本的新任务。在本文中，我们进行了彻底的调查以充分了解FSL。从FSL的正式定义开始，我们将FSL与几个相关的机器学习问题区分开来。然后我们指出FSL的核心问题是最小化的经验风险是不可靠的。基于如何使用先验知识来处理这个核心问题，我们从三个角度对FSL方法进行分类：（i）数据，它使用先验知识来增强监督经验；(ii) 模型，它使用先验知识来减少假设空间的大小；(iii) 算法，它使用先验知识来改变对给定假设空间中最佳假设的搜索。通过这个分类法，我们回顾和讨论每个类别的优缺点。还提出了FSL问题设置、技术、应用和理论方面的有希望的方向，为未来的研究提供见解。
个人简介：
张志刚，博士（博士后），副教授，现任信息管理与统计学院副院长。先后在国内外重要杂志上公开发表论文20多篇，其中被SCI收录8篇。