EOL：通过增强异常样本的预测值来进行传导式少样本开放集识别
内容提要
本文介绍了多种少样本学习方法，包括基于原型标签传播的图构建、结合最优传输的模型以及应对标签干扰的Transformer模型。这些方法在不同数据集上表现优异，提升了小样本和半监督学习中的模型性能。
延伸解读
小样本学习中的分布偏移应对
当支持集与查询集样本来自不同分布时，小样本学习性能会显著下降。文章提到一种结合最优传输与原型网络的方法，通过缓解分布偏移来提高模型表现。这提示研究者在实际应用中需关注数据分布一致性，并考虑引入分布对齐机制。
标签噪声下的鲁棒性策略
小样本学习常面临标签干扰问题。基于Transformer的TraNFS模型和特征聚合方法在嘈杂数据集上验证了有效性。这表明，在标注质量难以保证的场景下，利用注意力机制和特征聚合可以增强模型对噪声标签的鲁棒性，为实际部署提供参考。
未知类别检测与开放集识别
开放集识别要求模型区分已知和未知类别。文章提及的SnaTCHer样本识别器能有效检测未知类别样本，提高检测性能。这对于现实世界中存在未知类别的应用至关重要，例如自动驾驶或医疗诊断，需要模型具备拒绝未知样本的能力。
增量学习与边缘部署
在线少样本增量学习（O-FSCIL）方法在CIFAR100上达到68.62%的平均准确率，并能在60 mW的GAP9微控制器上以12 mJ能量实现在线学习。这展示了小样本学习在超低功耗边缘设备上的可行性，为物联网等场景提供了高效解决方案。
Q&A
什么是基于原型标签传播的图构建方法？
基于原型标签传播的图构建方法是一种在小样本学习和半监督学习中表现优异的技术，通过构建图结构来增强样本间的关系。
如何缓解小样本学习中的分布偏移问题？
结合最优传输和原型网络的新方法有效缓解了分布偏移的影响，从而提高了模型的表现。
TraNFS模型在处理标签干扰方面有什么优势？
TraNFS模型结合特征聚合方法，能够有效应对标签干扰，并在嘈杂数据集上验证了其有效性。
SnaTCHer样本识别器的功能是什么？
SnaTCHer样本识别器能够有效区分未知类别样本，从而提高未知类别样本的检测性能。
如何通过图像转换生成样本来提升模型性能？
通过图像转换生成样本并在生成的样本上进行分类，可以提高小样本学习模型在测试阶段的性能。
O-FSCIL方法在CIFAR100基准测试中的表现如何？
O-FSCIL方法在CIFAR100基准测试中取得了68.62%的平均准确率，展现了其在线少样本增量学习的能力。
