近日，人工智能领域国际顶级会议AAAI-2023传来喜讯，软件学院青年教师魏欣博士的论文“Feature Distribution Fitting with Direction-Driven Weighting for Few-Shot Images Classification”被接收。作为CCF-A类推荐会议，AAAI会议每年举办一次。据官方公布，今年共投稿8777篇论文，录用率不足20%。

论文优化策略概述图

   近年来，小样本学习受到越来越多的关注，并取得了重大进展。然而，小样本学习方法大多侧重于训练过程的优化以及度量的学习和样本生成网络的学习，这些方法忽略了学习小样本类的真实特征分布的重要性。

   针对上述问题，论文提出一种方向驱动加权方法，使小样本类的特征分布精确地拟合真实分布。学习到的特征分布可以为小样本类生成无限制数量的训练样本，以避免模型过拟合。具体而言，所提出的方法包括两种优化策略：一是方向驱动策略，用于捕获能够描述特征分布的更完整的方向信息，如图(a)所示；二是相似性加权策略，用于估计拟合过程中不同类别的影响并分配相应的权重，如图(b)所示。在miniImageNet、CIFAR-FS和CUB等标准小样本学习基准数据集上，所提出方法在1-shot设置下的平均性能优于当前最先进的方法3%。出色的性能和引人注目的可视化显示表明，该方法可以更准确地估计真实分布。