论文记录：Matching Networks for One Shot Learning

思路：
通过点之间的距离来进行分类

特点：

1. 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）。
   
2. 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。
3. 实验效果不错，步骤1的迭代过程，应该起了较大作用。
4. 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。
5. 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。