用于小样本学习的原型网络
机器学习
2017-06-21 v2 机器学习
摘要
针对小样本分类问题，我们提出了原型网络。在该问题中，分类器必须在仅给定每个新类少量样本的情况下，泛化到训练集中未见过的新类。原型网络学习一个度量空间，通过计算到各类原型表示的距离来进行分类。与近期的小样本学习方法相比，它们反映了更简单的归纳偏置，这在有限数据机制下是有益的，并取得了优异的结果。我们提供的分析表明，一些简单的设计决策就能比近期涉及复杂架构选择和元学习的方法取得实质性改进。我们进一步将原型网络扩展至零样本学习，并在 CU-Birds 数据集上取得了 SOTA 结果。
引用
@article{arxiv.1703.05175,
title = {Prototypical Networks for Few-shot Learning},
author = {Jake Snell and Kevin Swersky and Richard S. Zemel},
journal= {arXiv preprint arXiv:1703.05175},
year = {2017}
}