关于少样本学习、零样本学习、单样本学习中的support set和query set的概念解析

梳理一下关于少样本学习（如few-shot learning）、零样本学习（zero-shot learning）、单样本学习（one-shot learning）中的support set和query set的概念，以及为何测试集中会涉及到“unseen”（未见过）的新类。

关键概念解析

1. Support Set：在少样本学习任务中，support set是用来训练模型的一组有标签的样本，这些样本代表了任务中的类别。在训练过程中，每个类别只有少量样本（例如，在N-way K-shot任务中，每个类别有K个样本，总共有N个类别）。

2. Query Set：query set包含了用来测试或调整模型的样本，这些样本同样来自于任务中的类别，但不包含在support set中。模型需要利用在support set上学到的知识来正确分类query set中的样本。

训练与测试过程

• 训练过程：在训练阶段，模型通过学习support set中的样本来尝试理解每个类别的特征，并通过query set来调整和改善模型的性能。这一过程可能会重复多次，每次都使用不同的类别和样本来构成新的support set和query set。

• 测试过程：在测试阶段，模型面对的是完全未见过的新类别（unseen classes）。这意味着这些类别既没有出现在训练阶段的support set中，也没有出现在query set中。测试过程中，模型需要使用在训练阶段学到的知识，来分类这些新类别的样本。

为何称之为"unseen"

当我们提到测试集中的类别是“unseen”的，意味着这些类别在训练阶段完全未被模型见过。这是少样本学习特别设计的挑战，目的是检验模型学习到的知识是否能够泛化到新的、未知的情况。即使support set中每个类别的样本非常少，模型也需要能够抓住这些样本的关键特征，并将这种能力迁移到全新的类别上。

例子中的概念应用

在您的例子中，训练过程选择了数据集中的一部分类别和样本来训练模型，使用剩下的样本作为query set来测试和调整模型。测试过程则针对完全新的类别进行，这些新类别之前未参与模型的训练，因此被称为“unseen”。模型需要利用之前学到的知识，通过与support set的样本进行比较，来正确识别query set中样本的类别。

这种设计模仿了人类面对新情况时的学习和适应能力，即用有限的信息快速学习新概念，并将学到的知识应用于识别未知类别的能力。希望这能帮助您更好地理解这些概念。