思路:
通过点之间的距离来进行分类
特点:
- 对待分类点x^进行嵌入时,为了使其与标注样本(support set)的嵌入更一致【从而更好的进行距离的比较】,使用了LSTM节点+residual by-pass ,进行嵌入向量的信息取舍,并对该输出向量,采用attention model,用support set中点的向量,重构(线性组合)出新的嵌入表示。这个过程会迭代多次K(which is the support set size)。
- 训练过程:发明了对class 和 point 的采样来实现学习和分类时的一致性。即:mini-epoch的训练过程。
- 实验效果不错,步骤1的迭代过程,应该起了较大作用。
- 文中提到了与metric-learning, triplet-learning(3-way siamese network), mixture-density estimation的关系,有时间可以参考。
- 文中提到其分类表达式(1)是判别式,对此存疑。感觉至少这个表达式本身没表达出来。