目录

• 提升小样本学习在新分类识别中的效能
• 机器学习中的“学习如何遗忘”
• 复杂城市背后的简单空间尺度法则
• FD-GAN：融合鉴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

提升小样本学习在新分类识别中的效能

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://openreview.net/forum?id=SJl5Np4tPr

推荐理由

本文研究了小样本学习问题，即在每个类别仅有少量样本的情况下，如何实现有效的分类。现有方法通常依赖于一种目标函数，将待预测样本的特征嵌入并与给定样本进行比较。然而，这种方法难以应对来自新分类（不同于给定样本的分类）的样本识别，因为不同类别的特征分布差异较大。

该论文提出了在已有目标方法的基础上引入领域迁移的思想，通过特征级别变换层及变形变换来增强图像特征，模拟不同领域的特征分布。此外，作者还设计了一个“学习如何学习”的模块，以优化变换层的超参数。大量实验表明，该方法能够显著提升多种基于目标的方法的表现，并且效果稳定。

机器学习中的“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://arxiv.org/abs/1912.03817

推荐理由

假设你使用一百万条数据训练了一个机器学习模型，但后来发现某些数据存在问题或不再允许使用。除了重新训练模型，有没有其他方法可以删除这些数据的影响？这就是机器学习中的“反学习”问题，即“学习如何遗忘”。

传统数据删除方法在机器学习模型中并不适用，因为数据会被模型记住，容易被攻击者还原。即使采取一些保护措施，数据的影响也已经融入模型参数中，难以单独消除。因此，常见的解决办法通常是重新训练模型。

该论文提出了一种新的训练框架，旨在减少数据删除对模型参数的影响，并通过缓存训练算法中间阶段的输入来减少更新次数。这种方法不仅减少了计算成本，还能在最差情况下依然有效。如果用户能提供先验信息，效果会更好。这项研究为机器学习模型的数据管理提供了实用的解决方案。

复杂城市背后的简单空间尺度法则

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://www.nature.com/articles/s41467-017-01882-w

推荐理由

本文提出了一种基于空间吸引和匹配生长机制的简单模型，以解释城市中普遍存在的超线性和亚线性规模法则。该模型不仅能准确预测千米级的社会经济活动，还为从城市元素相互作用的角度揭示城市演变开辟了一条新路径，具有广泛的应用价值。

FD-GAN：融合鉴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://arxiv.org/abs/2001.06968v1

推荐理由

本文介绍了一种名为FD-GAN的生成对抗网络，用于单幅图像去雾。大多数现有的基于学习的图像去雾方法并不是完全端到端的，而是遵循传统步骤：评估传输介质和大气光线，再基于大气散射模型恢复无雾图像。然而，由于缺乏先验信息和约束条件，这些方法难以准确估计中间参数，导致去雾效果不佳，产生伪影、颜色失真等问题。

为了解决这些问题，本文提出了一种完全端到端的FD-GAN方法，它利用频率信息作为额外的先验知识，生成更加自然和逼真的去雾图像。此外，该方法还合成大规模训练数据，包括不同环境下的雾化图像，以提升模型性能。实验表明，FD-GAN在公共合成数据集和真实世界图像上均达到了当前最佳水平。

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://arxiv.org/abs/2001.06812v1

推荐理由

本文提出了一种名为GTNet的生成迁移网络，用于零样本目标检测。GTNet包含一个目标检测模块和一个知识迁移模块。前者学习大量已知类别的知识，后者则通过合成特征生成未知类别的特征，这些特征被用于训练目标检测模块的新分类层。为了生成这些特征，本文设计了一个基于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。实验结果表明，GTNet在零样本目标检测任务上超越了当前最佳方法。