模糊单纯形网络：一种受拓扑启发的少样本学习任务泛化改进模型

深度学习在海量数据设定下已取得巨大成功，但在数据有限时表现不佳。旨在解决此局限的少样本学习算法，被设计为使模型能以有限数据很好地泛化到新任务。通常，模型在未见过的类别和数据集上评估，这些数据集由与训练时相同的基本任务定义（例如类别归属）。人们也可追问模型在固定数据集内对根本不同任务的泛化能力如何（例如：从类别归属转到涉及检测物体朝向或数量的任务）。为形式化此类转变，我们定义了“任务独立性”概念，并为已建立的计算机视觉数据集识别出三组新标签，用以测试模型对利用数据中正交属性的任务的泛化能力。我们利用这些数据集探究基于度量的少样本模型的失败模式。基于发现，我们引入一种称为模糊单纯形网络（FSN）的新少样本模型，其利用拓扑学构造更灵活地以有限数据表示每个类。特别地，FSN模型不仅可为给定类形成多种表示，还可开始捕捉表征深度网络编码空间中类流形的低维结构。我们表明FSN在我们本文引入的困难任务上优于最先进模型，同时在标准少样本基准上保持竞争力。