炼丹笔记四：小样本问题

作者: 会写代码的好厨师 | 来源:发表于2019-02-16 16:50 被阅读461次

炼丹笔记四：小样本问题
炼丹笔记一：样本不平衡问题
炼丹解惑四
概率统计组队学习之数理统计
《营造意匠》·细部中的纳甲压白
向下取样 under sampling
微信小程序---保留小数(toFixed) 四舍五入获取整数
修真世界深度设定（三）炼丹
骨嵘岛第四章
机器学习样本不均衡问题

欢迎大家关注微信公众号：baihuaML，白话机器学习。

码字不易，如转载请私信我！！原文链接：https://zhuanlan.zhihu.com/p/56365256

在这里，我们一起分享AI的故事。

您可以在后台留言，关于机器学习、深度学习的问题，我们会选择其中的优质问题进行回答！

本期问题

关于深度学习中的小样本问题，有哪些研究进展？

正所谓“巧妇难为无米之炊”，在是使用深度学习解决各种问题的时候，难免会遇到样本不充足的情况。那这个时候应该怎样做呢？

什么是小样本问题？

小样本问题是指研究如何从少量的样本中去学习。众所周知，深度学习的训练需要大量的数据，然而，在实际的生产生活中，可能由于数据采集困难，样本标注代价高等问题，使得训练样本的规模不大，因此，小样本问题就成为了机器学习领域中重要的研究方向之一。本。

小样本会对模型训练带来什么影响？

小样本训练模型时，容易产生过拟合现象。具体以分类问题为例：

对于classification model，有如下结论

训练样本N,h为Vc维数，详见https://www.cnblogs.com/HappyAngel/p/3633989.html

如果现在训练模型的算法能使得training error很小，而model complexity penalty又很小，就能保证test error也很小的概率是 1-η。所以要使得模型的generalization比较好，要保证training error和model complexity penalty都能比较小。观察model complexity penalty项，可以看到，h越大，model complexity penalty就会越大。N越大，model complexity penalty则会越小。大致上讲，越复杂的模型有着越大的h（VC dimension），所以为了使得模型有着好的generalization，需要有较大的N来压低model complexity penalty。这就是为什么深度学习的模型需要大量的数据来训练，否则模型的generalization会比较差，也就是过拟合。

目前关于小样本问题，有哪些研究进展？

对于小样本问题的研究主要有：

1. zero-shot learning（零样本学习），即要识别训练集中没有出现过的类别样本，虽然类别不存在，但是我们可以学习到一个映射X->Y。如果这个映射足够好的话，我们就可以处理没有看到的类了。比如，我们在训练时没有看见过狮子的图像，但是我们可以用这个映射得到狮子的特征。一个好的狮子特征，可能就和猫，老虎等等比较接近，和汽车，飞机比较远离。

最早出现zero-shot的文章：

http://www.cs.cmu.edu/afs/cs/project/theo-73/www/papers/zero-shot-learning.pdf （zero-shot）

目前关于zero-shot已经出现很多优秀的成果，比如：

【1】Zero-Shot Object Detection

【2】Zero-Shot Recognition using Dual Visual-Semantic Mapping Paths

【3】Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs

【4】Xian Y, Lampert C H, Schiele B, et al. Zero-shot learning-A comprehensive evaluation of the good, the bad and the ugly[J]. IEEE transactions on pattern analysis and machine intelligence, 2018

【4】等等

2. one-shot learning/few shot learning，即在训练集中，每一类都有一张或者几张样，主要方法可以关注迁移学习、meta-learning，metric-learning的相关研究进展。单例学习是迁移学习/Domain Adaptation的一个特例。模型在source domain训练好之后，迁移到target domain，target domain只用一个标记样本去训练模型的参数就可以了。

图8 平衡车单例识别

比如识别平衡车。训练时，source domain有大量标记样本，比如自行车、独行车、摩托车和轿车等类别，模型可以从source domain学到表示车的有效特征，比如有轮子、轮子尺寸大小、有踏板、方向盘或龙头等。测试时，在target domian，只需要一个或很少一些target domain的标记样本，比如只需要在模型可以准确识别车的条件下，给模型一张平衡车的标记图片就可以了。

更多内容推荐阅读：

【领域报告】小样本学习年度进展|VALSE2018，连接地址：https://blog.csdn.net/XWUkefr2tnh4/article/details/80729940

《few shot learning调研》链接地址：https://zhuanlan.zhihu.com/p/56014325

最早出现one-shot的文章：http://vision.stanford.edu/documents/Fei-FeiFergusPerona2006.pdf （one-shot）

实际上，Zero/One-shot learning都属于transfer learning，要点在于先学到好的X->Y的关系，希望能应用到其他问题上。