极简笔记 Meta-Learning for semi-supervised few-shot classification

极简笔记 Meta-Learning for semi-supervised few-shot classification

论文地址 https://arxiv.org/pdf/1803.00676.pdf

本篇文章核心是给出了一种用于少样本半监督学习的分类算法。总体思路非常简单，通过一个网络 (Prototypical Network)提取特征，之后对特征进行聚类，聚类中心稳定之后拿去测试，测试时把测试样本按照更新了的聚类中心归过去，就完事了。

训练集中样本又分为两个集合$(S,R)$，分别表示有类别标注数据和无标注数据。网络映射记作$h(x)$, 有标注样本$x_i$, 无标注样本$\widetilde{x}_i$, 类别中心记作$p_c$, 更新过程中记作$\widetilde{p}_c$，更新过程是典型的EM算法，和K-Means非常像，即把没标注的数据先归到最近类，更新聚类中心，再重新把没标注数据归类，迭代直到不变。

如果直接用K-Means聚类那这篇文章就不用发ICLR了。文章用了三种聚类算法：

soft K-Means

聚类中心更新公式

p˜c=∑ih(xi)zi,c+∑jh(x˜j)z˜j,c∑izi,c+∑jz˜j,cmj,c,where z˜j,c=exp(−||h(x˜j−p