ترجمه فارسی مقاله پایان عمر: تشخیص مجموعه باز چند مرحله‌ای انتقالی با بهبود لوجیت‌های پرت

چکیده

In Few-Shot Learning (FSL), models are trained to recognise unseen objects from a query set, given a few labelled examples from a support set. In standard FSL, models are evaluated on query instances sampled from the same class distribution of the support set. In this work, we explore the more nuanced and practical challenge of Open-Set Few-Shot Recognition (OSFSL). Unlike standard FSL, OSFSL incorporates unknown classes into the query set, thereby requiring the model not only to classify known classes but also to identify outliers. Building on the groundwork laid by previous studies, we define a novel transductive inference technique that leverages the InfoMax principle to exploit the unlabelled query set. We called our approach the Enhanced Outlier Logit (EOL) method. EOL refines class prototype representations through model calibration, effectively balancing the inlier-outlier ratio. This calibration enhances pseudo-label accuracy for the query set and improves the optimisation objective within the transductive inference process. We provide a comprehensive empirical evaluation demonstrating that EOL consistently surpasses traditional methods, recording performance improvements ranging from approximately $+1.3%$ to $+6.3%$ across a variety of classification and outlier detection metrics and benchmarks, even in the presence of inlier-outlier imbalance.

چکیده به فارسی (ترجمه ماشینی)

در چند یادگیری شات (FSL) ، مدل ها برای تشخیص اشیاء غیب از یک مجموعه پرس و جو ، با توجه به چند نمونه دارای برچسب از یک مجموعه پشتیبانی ، آموزش داده می شوند.در FSL استاندارد ، مدل ها در موارد پرس و جو نمونه برداری شده از همان توزیع کلاس مجموعه پشتیبانی ارزیابی می شوند.در این کار ، ما چالش ظریف تر و عملی تر از تشخیص چند شات را باز (OSFSL) بررسی می کنیم.بر خلاف FSL استاندارد ، OSFSL کلاس های ناشناخته را در مجموعه پرس و جو قرار می دهد ، در نتیجه این مدل را نه تنها برای طبقه بندی کلاس های شناخته شده بلکه برای شناسایی مسافت ها نیز نیاز دارد.با تکیه بر کار در زمینه مطالعات قبلی ، ما یک تکنیک استنتاج جدید را تعریف می کنیم که از اصل Infomax برای بهره برداری از مجموعه پرس و جو بدون نمایش استفاده می کند.ما رویکرد خود را روش پیشرفته Logit (EOL) پیشرفته خواندیم.EOL بازنمودهای نمونه اولیه کلاس را از طریق کالیبراسیون مدل ، به طور موثری نسبت بی پروا را متعادل می کند.این کالیبراسیون باعث افزایش دقت شبه برچسب برای مجموعه پرس و جو می شود و هدف بهینه سازی را در فرآیند استنتاج فراملی بهبود می بخشد.ما یک ارزیابی جامع تجربی ارائه می دهیم که نشان می دهد EOL به طور مداوم از روشهای سنتی پیشی می گیرد ، ضبط عملکرد تقریباً از 1.3 ٪ $ تا 6.3 ٪ $ $+6.3 ٪ $ در انواع مختلف طبقه بندی و معیارهای تشخیص دور ، حتی در حضور Inlier-عدم تعادل دورتر.