目录

• 提升小样本学习对新分类的识别能力
• 机器学习的“学习如何遗忘”
• 简单的空间尺度规则背后的复杂城市
• FD-GAN：融合判别器的生成对抗网络用于单幅图像去雾
• GTNet：用于零样本目标检测的生成迁移网络

---

提升小样本学习对新分类的识别能力

论文标题：Cross-Domain Few-Shot Classification via Learned Feature-Wise Transformation

作者：Hung-Yu Tseng / Hsin-Ying Lee / Jia-Bin Huang / Ming-Hsuan Yang

发表日期：2019年9月26日

论文链接：https://paper.yanxishe.com/review/10295?from=leiphonecolumn_paperreview0212

推荐理由

该论文专注于小样本学习领域，探讨了如何在仅有少量样本的情况下实现有效的分类任务。现有方法主要依赖于目标函数的学习，将待预测样本的特征与已知样本进行比较。然而，由于各类别间特征分布差异较大，这种方法在识别新类别时面临挑战。论文在此基础上引入了领域迁移的概念，利用特征变换层和仿形变换增强图像特征，以模拟不同领域的特征分布。此外，研究者还设计了一个动态学习模块，用于优化变换层的超参数。实验表明，该方法能够显著提升多种基于目标的分类算法的表现。

---

机器学习的“学习如何遗忘”

论文标题：Machine Unlearning

作者：Bourtoule Lucas / Chandrasekaran Varun / Choquette-Choo Christopher / Jia Hengrui / Travers Adelin / Zhang Baiwu / Lie David / Papernot Nicolas

发表日期：2019年12月9日

论文链接：https://paper.yanxishe.com/review/10275?from=leiphonecolumn_paperreview0212

推荐理由

在机器学习中，当需要删除部分训练数据时，通常只能选择重新训练整个模型。然而，这种做法效率低下且成本高昂。论文《Machine Unlearning》提出了一个创新的训练框架，旨在减少因删除数据而导致的参数变化，同时通过缓存训练过程中的中间数据，减少对整个模型的更新次数。该方法不仅减少了计算开销，还能够在最坏情况下依然有效。如果用户提供先验信息，效果会更加理想。这项研究对于机器学习模型的数据管理具有重要意义。

---

简单的空间尺度规则背后的复杂城市

论文标题：Simple Spatial Scaling Rules Behind Complex Cities

作者：Ruiqi Li / Lei Dong / Jiang Zhang / Xinran Wang / Wen Xu Wang / Zengru Di / H. Eugene Stanley

发表日期：2017年11月28日

论文链接：https://paper.yanxishe.com/review/10274?from=leiphonecolumn_paperreview0212

推荐理由

本文通过一个基于空间吸引和匹配生长机制的简单模型，解释了复杂城市中普遍存在的超线性和亚线性总体尺度律。研究揭示了城市元素之间相互作用的规律，为理解城市演化提供了新的视角，并具有广泛的应用价值。

---

FD-GAN：融合判别器的生成对抗网络用于单幅图像去雾

论文标题：FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing

作者：Dong Yu / Liu Yihao / Zhang He / Chen Shifeng / Qiao Yu

发表日期：2020年1月20日

论文链接：https://paper.yanxishe.com/review/9629?from=leiphonecolumn_paperreview0212

推荐理由

这篇论文提出了一种名为FD-GAN的生成对抗网络，专门用于单幅图像去雾。不同于传统方法，FD-GAN是一个端到端的解决方案，它通过融合判别器和频率信息，生成更自然、逼真的去雾图像。此外，该论文还构建了包含不同室内和室外雾化图像的大尺寸训练数据集，以提升模型性能。实验表明，FD-GAN在公共数据集和真实图像上都达到了目前最佳的效果。

---

GTNet：用于零样本目标检测的生成迁移网络

论文标题：GTNet: Generative Transfer Network for Zero-Shot Object Detection

作者：Zhao Shizhen / Gao Changxin / Shao Yuanjie / Li Lerenhan / Yu Changqian / Ji Zhong / Sang Nong

发表日期：2020年1月19日

论文链接：https://paper.yanxishe.com/review/9628?from=leiphonecolumn_paperreview0212

推荐理由

该论文提出了一种名为GTNet的生成迁移网络，用于零样本目标检测。GTNet结合了目标检测模块和知识迁移模块，前者用于学习大量已知类别的知识，后者则利用合成特征生成未知类别的特征，以训练新的分类层。为了生成这些特征，研究者设计了一个基于IoU的生成对抗网络IoUGAN，包含三个单元模型：类特征生成单元、前景特征生成单元和背景特征生成单元。实验表明，GTNet在公共数据集上超越了现有的零样本目标检测方法。