具有绝对泛化能力的一次性学习

一次性学习旨在使预训练分类器基于每类一个标注样本在新数据集上可用。然而，极少有研究者考虑数据集本身是否支持一次性学习。本文提出一组定义以解释何种数据集可支持一次性学习，并提出“绝对泛化”概念。基于这些定义，我们提出一种构建绝对可泛化分类器的方法。该方法将两个样本拼接为一个新单样本，并将分类问题转化为身份识别问题或相似性度量问题。实验表明，所提方法在一次性学习数据集与人工数据集上优于基线。