SAMPLESELECT提升音频少样本学习泛化性
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对音频少样本分类器依赖前景背景共现导致分布外表现下降的问题，研究者提出SAMPLESELECT方法。该方案在冻结编码器和源分类器的前提下，为每个输入预测固定预算的特征掩码。训练采用可微分的Gumbel Top-k选择机制，结合前景分类与跨背景对比损失；推理阶段使用确定性Top-k掩码及仅支持集线性适应。在ResNet12和Conv64架构的5-way 1-shot及5-shot评估中，该方法在对比方案中取得了最佳分布外准确率，相比匹配的全表征控制组提升了4.90至8.38个百分点。
为什么值得看
解决了音频少样本学习中特征偏移难题，显著提升分布外准确率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。