Core Concepts
Wir präsentieren einen neuartigen Ansatz namens Graph Co-Training (GCT), der das Problem der Nicht-Anpassungsfähigkeit des Merkmalextraktors beim semi-überwachten Lernen mit wenigen Beispielen adressiert. GCT kombiniert einen neuartigen Graphlernklassifikator (IGL) mit einem Co-Training-Verfahren, um die Robustheit des Klassifikators durch die Fusion von Multimodalinformationen zu verbessern.
Abstract
Der Artikel beschreibt einen Ansatz namens Graph Co-Training (GCT) zum semi-überwachten Lernen mit wenigen Beispielen.
Zunächst wird ein neuartiger Graphlernklassifikator, Isolated Graph Learning (IGL), vorgestellt. IGL transformiert die Merkmale der Samples in den Graphraum und projiziert sie dann in den Labelraum, um die Abhängigkeit von den Merkmalen zu reduzieren und das Problem der Nicht-Anpassungsfähigkeit des Merkmalextraktors abzumildern.
Anschließend wird GCT präsentiert, das IGL in einen Co-Training-Rahmen erweitert. GCT nutzt Multimodalinformationen, indem es zwei verschiedene Merkmalextraktoren verwendet. Die Klassifikatoren auf Basis der unterschiedlichen Modalitäten werden iterativ aktualisiert, indem die am stärksten konfidenten Vorhersagen der ungelabelten Daten ausgewählt und zur Unterstützung der jeweils anderen Modalität verwendet werden. Dadurch wird die Robustheit des Gesamtklassifikators weiter erhöht.
Die Evaluierung auf fünf Benchmark-Datensätzen für das Lernen mit wenigen Beispielen zeigt die Effektivität des vorgeschlagenen GCT-Ansatzes im Vergleich zu anderen State-of-the-Art-Methoden.
Stats
Die Anzahl der Kategorien in den Basisdaten und den Noveldaten sind disjunkt.
Es gibt sehr wenige gelabelte Samples pro Kategorie in den Noveldaten (typischerweise 1 oder 5).
Quotes
"Wir dübben es als Feature-Extractor-Maladaptive (FEM) Problem."
"Unser GCT ist von der Merkmalextraktoren befreit und damit flexibler in der Anwendung in realen Szenarien."