基于度量学习的少样本图分类

许多现代深度学习技术若无海量数据集便无法工作。与此同时，若干领域要求能在数据稀缺时发挥作用的方法。当样本具有如图形般多变结构时，该问题更为复杂。图表示学习技术近期已在多种领域证明成功。然而，所采用的架构在面对数据稀缺时表现糟糕。另一方面，少样本学习使得在现代深度学习模型中于稀缺数据情形下使用而不放弃其有效性成为可能。本工作中，我们处理少样本图分类问题，表明为一个简单的距离度量学习基线配备最先进的图嵌入器即可在该任务上获得有竞争力的结果。尽管架构的简单性已足以超越更复杂的架构，其也允许直接的扩展。为此，我们表明通过鼓励任务条件化的嵌入空间可获得额外改进。最后，我们提出一种基于MixUp的隐空间在线数据增强技术，并展示了其在任务上的有效性。