[NLP]——What is Few-Shot Learning?

定义

问题背景:希望模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习

定义:

• novel class：没有见过的类别
• 支撑集(support sample)：CK个数据的训练集，如果K为1，则为one-shot
• 预测对象(query set)：又称作batch，在支撑集上训练以后，需要在该set上进行预测

具体过程:
有一个数据集D，分为$D_{base}$和$D_{novel}$。模型首先在$D_{base}$进行统一的训练，主要有两种训练方式:

• 训练过程模拟测试过程，每一次训练，选择k个类别，每个类别选择n个样本(k-way n-shot)，剩下的图片中选择部分来作为query samples，通过两者的距离分类，计算loss
• 训练过程正常，也就是训练了一个鲁棒的特征提取器。

我的策略:

• 1.sample少量训练数据，训练n轮（训练数据包含了所有类别，各个类别有k个数据——k-shot）
• 2.训练完毕，在除了训练数据以外的剩下数据上进行测试
• 3.多次进行1,2,其F1值得mean和std.

其中，std计算公式如下:

参考

小样本学习（Few-shot Learning）综述

few-shot learning是什么