[2019][cvpr]Edge-Labeling Graph Neural Network for Few-shot Learning 笔记

paper:EGNN paper
code:code and models are available on github
其他人的总结

主要思想就是通过图网络进行信息传播，学出边的信息，也就是节点间相似性和相异性
这篇论文方法不复杂，实现也不难，很有效，值得学习。作者使用了4个NVIDIA Tesla P40 GPUs。我试了一下，由于imagenet图片不大，embedding_size也不大，单个gpu也能跑。

few shot learning

  少样本任务setting是这样的：采用episodic过程进行学习和测试。也就是对于一个N-way， K-shot的任务，一个episode包含了support set 和 query set。

  从全体类别中采样出的N个类别，每个类别包含了K个样本，这NK个样本称为支撑集，记为 S = { ( x i , y i ) } i = 1 N K \mathcal{S} = \{(x_i,y_i)\}_{i = 1}^{NK} S={ (xi​,yi​)}i=1NK​。另外还有$T$个样本的查询集$\mathcal{Q}$，在训练阶段查询集的label用于计算loss和学习，测试阶段查询集的label是我们要进行预测的。

   训练阶段和测试阶段的类别是不相交的，也就是${\mathcal{C}}_{train}\cap {\mathcal{C}}_{test}=\varnothing$。

 当部分support set 不提供label时，称为semi supervised few shot learning.

论文模型

符号定义和特征

令$\mathcal{G}=(\mathcal{V},\mathcal{E};\mathcal{T})$为一个episode样本$\mathcal{T}$构建的图，$|\mathcal{T}|=NK+T$, V = { V i } i = 1 , . . . , ∣ T ∣ \mathcal{V}=\{V_i\}_{i = 1,...,|\mathcal{T}|} V={ Vi​}i=1,...,∣T∣​为顶点集, E =