基于变分贝叶斯的纤维丛元学习算法

摘要：

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.

关键词：贝叶斯;流形;纤维丛;分类;卷积神经网络;元学习

所属期刊栏目：49

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家重点研发计划;国家重点研发计划;国家自然科学基金

在线出版日期：2022-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：225-231