Prototypical Networks for Few-shot Learning

本文介绍了一种名为原型网络的算法,该算法专为少样本学习设计。通过学习一种非线性的embedding,使数据点在度量空间中围绕各自的原型聚集,简化了分类过程。对于新的数据点,只需找到最近的原型即可完成分类。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Prototypical Networks for Few-shot Learning

论文简述

本文提出了原型网络,原型网络从数据中学习某种非线性的embedding,使得最终生成的度量空间中,每个类的点都聚集在单一的原型表示周围。对于询问点,只需要计算出在度量空间中距离最短的原型,并分类即可。

论文重点

想法

在这里插入图片描述

  • idea : there exists an embedding in which points cluster around a single prototype representation ck for each class
  • non-linear mapping to metric space using a neural network

算法

在这里插入图片描述

算法细节

在这里插入图片描述

思考

  • 之所以不直接用softmax,而是进行硬聚集,应该是因为few-shot learning中所需要对应的种类较少,所以分类界限相交更为明显。而且训练数据量小,不能足够优化网络,直接用softmax容易产生过拟合现象,分类效果并不好,反而强行设定界限,会更有利于最终结果输出。
  • github代码:https://github.com/jakesnell/prototypical-networks
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值