小样本学习的一些概念及基础知识

小本样学习（Few-Shot Learning,FSL）旨在通过少量样本对新的类学习出有效的模型，对新的类进行识别。除了最naive的数据增强方法（基于已有的大数据集和少量的新类样本，提取新类特征后通过大数据集生成新的样本，以防止过拟合）外，还有一些其它方法，如基于度量的方法，基于优化的方法，基于图神经的方法以及基于记忆网络的方法【1】。

 

支持集，查询集：

 

训练集由多组数据集组成，每组都包括支持集和查询集。 测试集也由类似的两部分数据组成。

区别：

在训练时，支持集和查询集的具体数据不交叉，但是类别相同。比如训练时的支持集是 3-way 2-shot, 查询集刚是3-way 1-shot.

测试集类似，但是数据是全新的。

 

 

 

 

 

 

 

 

 

 

 

 

 

参考文献：

 

[1]潘崇煜,黄健,郝建国,龚建兴,张中杰. 融合零样本学习和小样本学习的弱监督机器学习方法综述[J]. 系统工程与电子技术, 20200318.