Future-Shot: Few-Shot Learning to tackle new labels on high-dimensional classification problems

• Ano de defesa: 2024
• Autor(a) principal: Camargo, Fernando Henrique Fernandes de
• Orientador(a): Soares, Anderson da Silva
• Banca de defesa: Soares, Anderson da Silva, Galvão Filho, Arlindo Rodrigues, Vieira, Flávio Henrique Teles, Gomes, Herman Martins, Lotufo, Roberto de Alencar
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Goiás
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação (INF)
• Departamento: Instituto de Informática - INF (RMG)
• País: Brasil
• Palavras-chave em Português: Classificação em alta dimensão; Predição de laboratório de origem
• Palavras-chave em Inglês: Few-shot learning; Machine learning; Metric learning
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/13342

This thesis introduces a novel approach to address high-dimensional multiclass classification challenges, particularly in dynamic environments where new classes emerge. Named Future-Shot, the method employs metric learning, specifically triplet learning, to train a model capable of generating embeddings for both data points and classes within a shared vector space. This facilitates efficient similarity comparisons using techniques like k-nearest neighbors (\acrshort{knn}), enabling seamless integration of new classes without extensive retraining. Tested on lab-of-origin prediction tasks using the Addgene dataset, Future-Shot achieves top-10 accuracy of $90.39\%$, surpassing existing methods. Notably, in few-shot learning scenarios, it achieves an average top-10 accuracy of $81.2\%$ with just $30\%$ of the data for new classes, demonstrating robustness and efficiency in adapting to evolving class structures