【技术实现步骤摘要】
本申请涉及元学习与小样本学习，尤其涉及一种基于语义感知与伪标签的无监督元学习方法、系统、存储介质及电子设备。
技术介绍
1、人类只需要通过少量的样例学习，就能很快识别出全新的同类物体，这种快速识别能力，一直是机器学习的研究热点与难点，而小样本学习的基本思想就是要模拟人类的这种能力。其在解决深度学习数据标注依赖问题上具有独到优势，近年来得到广泛关注。相较于传统监督学习，小样本学习一般是在已有学习经验的基础上学习新任务（而非重新学习），能够更快地适应新任务，具有数据高效和计算高效的优势。
2、无监督小样本分类目前常见的方法是先通过聚类生成伪标签，然后基于伪标签自动构建训练任务，最后基于伪标签使用有监督的方法训练。这类方法可以较好地兼容各种现存的有监督模型，但目前此类方法对样本内在分布的处理较粗糙，生成的伪标签噪声大、多样性低，导致生成的任务噪声大、困难任务少，训练效果相比有监督条件仍存在可观的差距。
技术实现思路
1、本申请实施例提供一种基于语义感知与伪标签的无监督元学习方法、系统...
【技术保护点】
1.一种基于语义感知与伪标签的无监督元学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述嵌入模型包括主嵌入模型和历史嵌入模型；
3.根据权利要求2所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述通过梯度下降法对所述主嵌入模型的参数进行更新，包括：
4.根据权利要求3所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述类内相似度通过下式计算：
5.根据权利要2所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述方法还包括：
6.根...
【技术特征摘要】
1.一种基于语义感知与伪标签的无监督元学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述嵌入模型包括主嵌入模型和历史嵌入模型；
3.根据权利要求2所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述通过梯度下降法对所述主嵌入模型的参数进行更新，包括：
4.根据权利要求3所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述类内相似度通过下式计算：
5.根据权利要2所述的基于语义感知与伪标签的无监督元学习方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于语义感知与伪标签的无监督元学习方...
【专利技术属性】
技术研发人员：董性平，欧阳天然，杜博，余伟，叶茫，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。