USA_UFGSM：重新采用经过预训练的模型进行健壮的域外少量学习

重新利用预训练的模型进行鲁棒的域外少量学习 与模型无关的元学习（MAML）是少数学习的一种流行方法，但假设我们可以使用元训练集。 实际上，由于数据隐私问题，知识产权问题或仅缺乏计算资源，在元训练集上进行训练可能并不总是一种选择。 在本文中，我们考虑了重新使用预先训练的MAML检查点来解决新的少量快照分类任务的新问题。 由于潜在的分布不匹配，原始MAML步骤可能不再是最佳的。 因此，我们提出了另一种元测试程序，并将MAML梯度步骤与对抗训练和基于不确定性的逐步调整相结合。 使用SGD和Adam优化器，我们的方法在相同域和跨域基准上的性能优于“香草” MAML，并且显示出对选择基本逐步大小的改进的鲁棒性。 运行环境 python 3.6 pytorch 1.4 我们的代码来自 进行实验 miniimagenet_train.py是所有实验的通用网关。 输入python miniimagene