哦，我再次取样了：重新诠释少样本学习中的置信区间
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文探讨了多种少样本学习技术，包括任务自适应特征子空间学习、结合最优传输和原型网络的方法、约束的少样本学习等，并提出了提高模型性能的策略和评估方法。研究表明，使用未标记数据和优化样本选择策略能显著提升少样本学习效果。
❓
Q&A
什么是任务自适应特征子空间学习？
任务自适应特征子空间学习是一种提高少样本学习性能的技术，特别是在使用未标记数据时，能够显著提升模型效果。
如何缓解支持和查询样本来自不同分布的问题？
可以通过结合最优传输和原型网络的方法来有效缓解支持和查询样本来自不同分布时的影响。
什么是约束的少样本学习（CFSL）？
约束的少样本学习（CFSL）是一种新提出的方法，基于Cat2Vec和类别对比损失，旨在提高少样本学习的效果。
如何提高少样本识别模型的最坏情况准确率？
可以通过模型稳定性正则化和自适应校准机制来提高少样本识别模型的最坏情况准确率。
低折叠交叉验证在模型评估中有什么优势？
低折叠交叉验证被认为是直接估计模型性能的最佳选择，能够提供更可靠的性能评估。
In-Context Sampling（ICS）技术的作用是什么？
In-Context Sampling（ICS）技术通过优化提示输入，能够提高LLM的预测性能和置信度。
🏷️
