1S-DAug: Il Metodo di Aumento Dati One-Shot Migliora l'Apprendimento Few-Shot Senza Aggiornamenti del Modello

La tecnica innovativa denominata 1S-DAug migliora significativamente l'apprendimento few-shot generando rappresentazioni d'immagine variate da un singolo campione durante il test. Questo metodo integra alterazioni geometriche, aggiunta controllata di rumore e un processo di diffusione di denoising basato sull'immagine originale. Le immagini risultanti vengono codificate e combinate con l'originale per formare una rappresentazione unificata, portando a previsioni più robuste. Come plug-in agnostico al modello e senza addestramento, 1S-DAug migliora in modo affidabile le prestazioni di classificazione few-shot su quattro dataset benchmark standard senza modificare i parametri del modello. Sul benchmark miniImagenet 5-way-1-shot, registra un aumento fino al 20% nell'accuratezza relativa. Le tecniche di aumento tradizionali spesso faticano nell'apprendimento few-shot, ma questo metodo genera efficacemente varianti autentiche che preservano i tratti chiave aggiungendo diversità. Questa ricerca è disponibile su arXiv con identificatore 2602.00114v4, classificata come replace-cross.