小样本学习的一些方法
这大概是2019年3-4月两周看的相关方法。
One shot learning是一种对象分类问题，出现于计算机视觉领域。尽管大多数基于机器学习的对象分类算法需要对数百或数千个样本/图像和非常大的数据集进行训练，但是一次性学习旨在从一个或仅少数训练样本/图像中学习关于对象类别的信息。
Few shot learning 同样是用少量训练样本训练模型。
Zero Shot Learning (零样本学习) 属于迁移学习的一个分支.在 Zero Shot Learning 中训练集和测试集的类别无交集。比如训练集中有马，老虎，测试时要预测斑马。
2006LiFeiFei:One-Shot Learning of Object Categories
2013HBPL:One-shot learning by inverting a compositional causal process
度量学习：根据不同的任务来自主学习出针对某个特定任务的度量距离函数。
度量学习CVPR2018：Learning to Compare: Relation Network for Few-Shot Learning
孪生网络Siamese neural networks for one-shot image recognition(2015)
匹配网络Matching Networks for One Shot Learning(2016)
原型网络2017Prototypical networks for few-shot learning
基于图2018Few-shot learning with graph neural networks
递归记忆模型2016Meta-Learning with Memory-Augmented Neural Networks
优化器学习2017Optimization as a model for few-shot learning
模型无关自适应2017Model-agnostic meta-learning for fast adaptation of deep networks