小样本学习方法(FSL)演变过程

小样本学习一般会简化为 N-way K-shot 问题，如图[1]。其中 N 代表类别数量，K 代表每一类中(支持集)的样本量；

图[1] N-way K-shot

解决分类问题，人们想到采用传统监督学习的方式，直接在训练集上进行训练，在测试集上进行测试，如图[2]，但神经网络需要优化的参数量是巨大的，在少样本条件下，几乎都会发生过拟合；

图[2] 传统监督学习

为了解决上述问题，最先想到的是通过使用迁移学习+Fine-tune 的方式，利用 Base-classes 中的大量数据进行网络训练，得到的 Pre-trained 模型迁移到 Novel-classes 进行 Fine-tune，如图[3]。虽然是 Pre-trained 网络+Fine-tune 微调可以避免部分情况的过拟合问题，但是当数据量很少的时候，仍然存在较大过拟合的风险。

图[3] Pre-trained网络+Fine-tune微调

接下来讲的就是小样本学习中极具分量的 Meta-learning 方法，现阶段绝大部分的小样本学习都使用的是 Meta-learning 方法。

Meta-learning，即 learn to learn，翻译成中文是元学习。Meta-learning 共分为Training 和 Testing 两个阶段，Training 阶段的思路如图[4]。简单描述下流程：

1：将训练集采样成 Support set 和 Query set 两部分；

2：基于 Support set 生成一个分类模型 = ( )；

3：利用模型对 Query set 进行分类预测生成 predict labels；

4：通过 query labels 和 predict labels 进行 Loss(e.g., cross entropy loss )计算，从而对分类模型 中的参数 θ 进行优化。

图[4] Meta-learning Training阶段思路

Testing 阶段的思路如图[5]，利用 Training 阶段学来的分类模型 = ( ) 在Novel class 的 Support set 上进行进一步学习，学到的模型对 Novel class 的 Query set 进行预测。

图[5] Meta-learning Testing阶段思路

介绍到这里，Meta-learning 的整体流程的流程就介绍完了，如图[6];

现在反过来看，Meta-learning 核心点之一是如何通过少量样本来学习这个 = ( ) 这个分类模型，即图[6]中key部分。在这里引出了 Meta-learning 的两个主要方法：度量学习(Matrix-based Meta-learning)和 MAML(Optimization-based Meta-learning)，本文简要介绍了二者的原理以及在处理小样本问题时的优缺点：

图[6] Meta-learning整体流程以及key point

首先介绍下度量学习（Metric Learning）：度量学习是一种空间映射的方法，其能够学习到一种特征（Embedding）空间，在此空间中，所有的数据都被转换成一个特征向量，并且相似样本的特征向量之间距离小，不相似样本的特征向量之间距离大，从而对数据进行区分。

以经典的原型网络 Prototypical Networks 为例，如图[7]：将 Support set 投影到一个度量空间，且在这个空间中同类样本距离较近，异类样本的距离较远。为了对 Query set 中的 X 进行预测，则将样本 X 投影至这个空间并计算 X 距哪个类别较近，则认为 X 属于哪个类别。

图[7]原型网络Prototypical Networks

Meta-learner 这一步采用度量方法的好处是：在生成 = ( ) 这个阶段不需要进行参数优化。

ps：度量方法的思想来自机器学习算法(KNN,K-means,最近邻等算法)。

距离通常使用欧氏距离和 cos 距离，深度度量学习主要的关键点是损失函数的设计。损失函数相关可以参考 https://zhuanlan.zhihu.com/p/82199561，本文不重点介绍。

接下来介绍下 MAML(Model-Agnostic Meta-Learning)方法：与度量学习 = ( ) 使用度量方法构建不同，MAML 采用的是 = − ,( )梯度下降优化方法。如图[8].

图[8] MAML参数更新原理

MAML 的优点：

1：与标准的fine-tuning 方法一致

2：Model-agnostic: 适用于各种网络 backbone

缺点：

• 相比度量学习的投票方式，MAML 需要学习的参数量更多，需要更多的算力；

• 另外由于这个原因也导致没有办法训练大型网络；

• 与其说 MAML 是为了解决小样本问题而生的，不如说 MAML 更适用于小样本学习问题。

最后想补充两点自己对元学习的理解：

1：元学习是通过优化 loss 来拟合 query data，使得模型来逐渐适应这种小样本的学习方式；

2：从参数优化的角度来讲，模型学习的是一个通用的初始化参数，使得再遇到新任务时，通过训练可以快速收敛到最优解。

以上内容为个人总结，欢迎大家探讨交流。

可以点击文末阅读原文，跳转到原文中进行留言讨论交流。