54、少样本学习与工业电力负荷分析的创新方法

少样本学习与工业电力负荷分析的创新方法

1. 少样本学习中的原型图神经网络（Proto - GNN）

在少样本学习分类算法中，基于图神经网络（GNN）的算法存在节点信息不足的问题，导致GNN对噪声敏感且鲁棒性差。而Snell等人提出的原型网络，通过对每个类别支持集的样本特征向量求平均得到原型，以原型作为特征空间中每个类别的表示，利用欧氏距离进行分类，取得了较好的效果。

1.1 主要贡献

• 提出了用于少样本图像分类的原型图神经网络（Proto - GNN），由于添加了原型向量，模型更具鲁棒性。
• 在少样本图像分类任务中，该模型在Omniglot数据集上有良好的分类效果。

1.2 问题定义

少样本分类的目的是利用少量数据学习分类器对新样本进行分类。每个少样本分类元学习任务T包含支持集S和查询集Q。支持集的类别数为N，每个类别样本数为K（即N - way K - shot），支持集样本数为N × K。目标是在训练过程中进行元学习，通过多个少样本学习任务积累通用经验，以更好地对查询集样本进行分类。

1.3 模型

• 特征提取 ：使用CNN提取查询集和支持集样本的特征向量。
• 计算原型 ：在特征空间中，对同一类别所有样本的特征向量求平均得到原型，公式为：
  [c_k = \frac{1}{|S_k|} \sum_{(x_i,y_i) \in S_k} f_{\varphi}(x_i)]
  其中，$S_k$ 表示标记为类别k的样本集