一種基于偽標簽的半監督少樣本學習模型

摘要：如何將帶有大量標記數據的源域知識模型遷移至帶有少量標記數據的目標域是少樣本學習研究領域的熱點問題.針對現有的少樣本學習算法在源域數據與目標域數據的特征分布差異較大時存在的泛化能力較弱的問題,提出一種基于偽標簽的半監督少樣本學習模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度學習框架建立一個關系型深度學習網絡,并使用源域數據對網絡進行預訓練;然后,使用此網絡對目標域數據進行分類預測,將分類概率最大的類標簽作為數據的偽標簽;最后,利用目標域的偽標簽數據和源域的真實標簽數據對網絡進行混合訓練,并重復偽標簽標記與混合訓練過程.實驗結果表明,相對于現有主流少樣本學習算法,FSLSS模型有更好的泛化能力及知識遷移效果.