小样本学习(FSL)近年来引起了越来越多的关注，但仍然具有挑战性，因为学习从少数例子中归纳的固有困难。本文提出了一种自适应间隔原则，以提高基于度量的元学习方法在小样本学习问题中的泛化能力。具体地说，我们首先开发了一个与类相关的加性边缘损失算法，该算法考虑了每对类之间的语义相似性，从而将特征嵌入空间中的样本从相似的类中分离出来。此外，我们在抽样训练任务中加入所有类别之间的语义上下文，并开发了与任务相关的附加间隔损失，以更好地区分不同类别的样本。我们的自适应间隔方法可以很容易地推广到更现实的广义FSL设置。大量的实验表明，在标准FSL和通用FSL设置下，所提出的方法可以提高现有基于度量的元学习方法的性能。

https://arxiv.org/abs/2005.13826

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“FSAML” 可以获取《CVPR2020-北京大学-自适应间隔损失的提升小样本学习》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源