Prototypical Networks for Few-shot Learning

摘要

我们为少样本分类问题提出了原型网络，其中分类器必须泛化到训练集中没有看到的新类，每个新类只给出少量示例。原型网络学习一个度量空间，其中可以通过计算到每个类的原型表示的距离来执行分类。与最近的小样本学习方法相比，它们反映了一种更简单的归纳偏差，这在这种有限数据的情况下是有益的，并取得了出色的结果。我们提供的分析表明，与最近涉及复杂架构选择和元学习的方法相比，一些简单的设计决策可以产生实质性的改进。我们进一步将原型网络扩展到零样本学习，并在 CU-Birds 数据集上实现了最先进的结果。

介绍

我们通过解决过度拟合的关键问题来解决小样本学习的问题。由于数据非常有限，我们假设分类器应该有一个非常简单的归纳偏差（模型的指导准则）。我们的方法，原型网络，基于这样的想法，即存在一个嵌入，其中点围绕每个类的单个原型表示聚集。为了做到这一点，我们使用神经网络学习输入到嵌入空间的非线性映射，并将类的原型作为其在嵌入空间中的支持集的平均值。然后通过简单地找到最近的类原型对嵌入的查询点执行分类。
(神经网络学习输入到非线性空间的非线性映射）
类原型作为其在嵌入空间中的主持集的平均值。
简单找到最近的类原型对嵌入的查询点执行分类。

我们采用相同的方法来解决零样本学习；这里每个类都带有提供类的高级描述的元数据，而不是少量的标记示例。因此，我们学习将元数据嵌入到共享空间中，作为每个类的原型。分类是通过为嵌入的查询点找到最近的类原型来执行的，就像在小样本场景中一样。

• 每个类都带有提供类的高级描述的元数据。
• 将元数据嵌入到共享空间中。（每个类的原型）
• 为嵌入的查询点找到最近的类原型。来执行。
  

Method

原型网络通过嵌入函数$f_{\varphi }:RD\to RM$
和可学习参数$\varphi$,计算每个类的$M$维表示，$ck\in RM$或原型,
每个原型都属于其类的嵌入支持点的平均向量。

给定距离函数$d:RM\times RM\to [0,\infty )$
原型网络基于到嵌入空间中原型的距离上的softmax上的生成查询点$x$的类分布。

通过SGD最小化真实类的$k$,的负对数概率进行学习。

算法流程

大致了解了。然后再从原始论文中迭代，将其看完整都行啦的样子与打算。全部都将其搞定都行啦的样子与。
慢慢的将其研究透彻都行啦的的样子与打算。

总结

利用距离函数和softmax函数来设计概率分布，进行学习与研究。全部都将其搞定都行啦的样子与打算。