目的
为了解决小样本分类问题,提出原型网络。学习一个度量空间,分类可以通过计算到每个类的原型表示的距离来执行,分类器必须泛化到训练集中没有出现的新类。
小样本分类中目前存在的问题以及进展:
分类器必须适应训练集中没有出现的类。训练数据集少,会出现严重的过拟合现象。匹配网络:匹配网络在embedding得到特征向量后,通过引入注意力分析两者的相似性。元学习的训练思想可以很好的把知识迁移到新颖的类。
解决方案:
将support set数据集映射到一个度量空间中,对每个类别中的元素计算中心点,由中心点来代表这个类别。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均值。主要解决过拟合问题。论文表述,距离的选择至关重要,欧式距离效果比余弦相似度好的多。
在supportset中取出一个类别中所有的样本,放入神经网络中,得到m维特征向量,将其累加起来,除所有样本的个数,得到一个平均向量。