ICLR 2022 Paper ：On Hard Episodes in Meta-Learning

调研了ICLR 2022接收论文关于few-shot 的paper，记录一下
ICLR 2022 paper 接收文章链接
2021年的paper还没看完、2022的paper又来了，事实表明看论文也很卷。

On Hard Episodes in Meta-Learning

链接On Hard Episodes in Meta-Learning
说一点废话，对于大样本分类任务来说。分类器在牛掰，也不可能百分之百的预测出每一类的label。Hard Episodes说白点就是我们做普通分类任务时的hard sample，普通分类任务是咋做的呢对于分错的的sample？一次分不对那我就多分几次。跟你做题是一样的道理，第一遍做错了，那就多做几遍。个人觉得hard sample的这种做法过于简单暴力，不是去分析模型为什么会对某些sample分错，以上是针对大样本分类任务说的。
小样本分类任务也有同样的问题，常规做法其实都差不多。只不过任务的设置上有区别，这个地方说到大样本、小样本。其实没有有一个明确的定义。即大样本、小样本分别对应什么？其实这是一个相对的。深度神经网络有多猛就不用说了，你可以把一个DCNN模型理解为一个假设空间。假设你现在做的是一个分类任务，网络的层数固定。这时你有两个数据集：A dataset and B dataset。 注意两个数据集的sample量相差巨大。就可以认为数据量大的dataset为大样本，反之另外一个dataset为few-shot。说人话就是大样本、小样本就是看数据量与假设空间的复杂程度是否匹配。
On Hard Episodes in Meta-Learning这篇paper所做的是few-shot classification task。motivation就是大家都在做meta-learning，对于classifier分错的那些类别。你怎么去处理？用什么方法处理？处理后有什么效果？On Hard Episodes in Meta-Learning这篇文章主要干的事就是发现对抗攻击的方法比curriculum learning方法对模型性能的提升更大。