关于基于度量学习的小样本学习研究的阅读体会

简介：
该文探讨了基于度量学习的方法在小样本学习中的应用与效果，深入分析了当前技术的优势和局限，并提出未来可能的研究方向。 本段落提出了一种带间隔的小样本学习方法，旨在提升所学得的嵌入表示的质量。为了引入间隔的概念，我们根据小样本场景的特点设计了多路对比损失函数，使得模型能够在一个更具判别性的度量空间中进行学习，并且减少了泛化误差。这种带间隔的小样本学习框架具有通用性，可以与各种基于度量的小样本学习模型结合使用。本段落将其应用于两种现有的模型：原型网络和匹配网络。 此外，在分类时，数据的分布通常包含内在结构信息，而现有的一些基于度量的小样本学习算法并未考虑这些特性，从而限制了它们的效果。为了解决这一问题，我们引入了一种基于图正则的关系传播框架，通过结合已知的样本间关系和数据分布中的流形结构来推断未知的样本间关系。