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
原文中文，约1400字，阅读约需4分钟。
📝
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。
❓
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。
🏷️
