一篇不错的小样本学习（Few-Shot Learning）概述分享

机器学习在数据密集型应用中取得了很大成功，但在面临小数据集的情况下往往捉襟见肘。近期出现的小样本学习（Few-Shot Learning，FSL）方法旨在解决该问题。FSL 利用先验知识，能够快速泛化至仅包含少量具备监督信息的样本的新任务中。

本文想要分享一篇有关于小样本学习综述的论文，这篇论文之前社区也推荐过：https://hub.baai.ac.cn/view/337 不过本次分享的是针对这篇综述的总结，我个人觉得写的很不错，而且是用中文写的，篇幅长度适中，很适合不喜欢阅读英文长篇论文的小伙伴，感兴趣的可以戳以下链接：

• 博客链接：FSL（小样本学习）综述——Generalizing from a Few Examples: A Survey on Few-Shot Learning
• 作者：微笑sun

这篇论文对 FSL 方法进行了综述。首先，该论文给出了 FSL 的正式定义，并厘清了它与相关机器学习问题（弱监督学习、不平衡学习、迁移学习和元学习）的关联和差异。然后指出 FSL 的核心问题，即经验风险最小化方法不可靠。

基于各个方法利用先验知识处理核心问题的方式，该研究将 FSL 方法分为三大类：

• 数据：利用先验知识增强监督信号；
• 模型：利用先验知识缩小假设空间的大小；
• 算法：利用先验知识更改给定假设空间中对最优假设的搜索。

最后，这篇文章提出了 FSL 的未来研究方向：FSL 问题设置、技术、应用和理论。

内容中包含的图片若涉及版权问题，请及时与我们联系删除