论文链接:Few shot learning with graph neural networks
github代码链接:pytorch实现
1,INTRODUCTIION
1,元学习(新的监督学习):它的输入-输出对设置由图像集合的iid样本及其相关标签相似性代替了图像的iid样本和它相关标签.
2,探索利用相似样本的分布 代替 利用正则化取弥补数据的不足
3.文章贡献:
1,将few-shot learning作为有监督消息传递任务,并且它用图神经网络进行端到端的训练
2,在Omniglot和MIniImagnet 任务中,用更少的参数实现了最优的性能
3.将这个模型扩展到半监督学习和主动学习机制中
3,problem set-up
描述通用的设置和标注,然后把它分别应用到few-shot learning, semi-supervised ,active learning
考虑输入-输出对(Ti,Yi)i,从部分标记图像集的分布P中描述iid.
其中s是已标记样本的数量, r是未标记的样本数量(r>0 用于semi-supervised 和active learn