小样本学习领域的未来发展方向
什么是小样本学习？它与弱监督学习等问题有何差异？其核心问题是什么？来自港科大和第四范式的这篇综述论文提供了解答。
数据是机器学习领域的重要资源，在数据缺少的情况下如何训练模型呢？小样本学习是其中一个解决方案。来自香港科技大学和第四范式的研究人员综述了该领域的研究发展，并提出了未来的研究方向。 这篇综述论文已被 acm computing surveys 接收，作者还建立了 github repo，用于更新该领域的发展。
论文地址：https://arxiv.org/pdf/1904.05046.pdf
github 地址：https://github.com/tata1661/fewshotpapers
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。 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。 论文概览 该综述论文所覆盖的主题见下图：
我们选取介绍了该综述论文中的部分内容，详情参见原论文。 什么是小样本学习？ fsl 是机器学习的子领域。 我们先来看机器学习的定义： 计算机程序基于与任务 t 相关的经验 e 学习，并得到性能改进（性能度量指标为 p）。
基于此，该研究将 fsl 定义为： 小样本学习是一类机器学习问题，其经验 e 中仅包含有限数量的监督信息。
下图对比了具备充足训练样本和少量训练样本的学习算法：
fsl 方法分类 根据先验知识的利用方式，fsl 方法可分为三类：
fsl 方法解决少样本问题的不同角度。 基于此，该研究将现有的 fsl 方法纳入此框架，得到如下分类体系：
数据 此类 fsl 方法利用先验知识增强数据 d_train，从而扩充监督信息，利用充足数据来实现可靠的经验风险最小化。
如上图所示，根据增强数据的来源，这类 fsl 方法可分为以下三个类别：
模型 基于所用先验知识的类型，这类方法可分为如下四个类别：
算法 根据先验知识对搜索策略的影响，此类方法可分为三个类别：
文章最后从问题设置、技术、应用和理论四个层面探讨了小样本学习领域的未来发展方向。
断路器失电后定值会复归零吗？
电力行业发展在5G时代迎来哪些改变
基于SPI总线控制器IP核的硬件结构及实现微投影系统的设计
OPPOR11发布会直播进行时：OPPOR11发布会请了半个娱乐圈超厉害，OPPOR11发布会现场演唱会的节奏
美国汽配展/美国拉斯维加斯国际汽车零部件展
小样本学习领域的未来发展方向
指定石英晶体
产品设计——接口篇
虹科新闻|虹科与Telco Systems正式建立合作伙伴关系
经纬恒润受邀出席2023第七届世界智能大会
智己汽车携手宁德时代共同开发“掺硅补锂电芯”技术
什么是SLAM技术？SLAM技术的工作原理
CW32的SPI单工模式主从通信介绍
Vishay发布6款低输入电流光耦VO617A
Vega和Ryzen在手 AMD能否重新崛起？
Epiq扩大计划范围 彻底实现人工智能的应用
嵌入式视觉处理器让神经网络性能翻倍
GX6107高性能低成本机顶盒单片接收解码系统芯片,支持DV
东京“奇特酒店”推出两台人形机器人
三星Gear VR更新 VR盒子能否持续保持高市占率？
数据是机器学习领域的重要资源，在数据缺少的情况下如何训练模型呢？小样本学习是其中一个解决方案。来自香港科技大学和第四范式的研究人员综述了该领域的研究发展，并提出了未来的研究方向。 这篇综述论文已被 acm computing surveys 接收，作者还建立了 github repo，用于更新该领域的发展。
论文地址：https://arxiv.org/pdf/1904.05046.pdf
github 地址：https://github.com/tata1661/fewshotpapers
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。 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。 论文概览 该综述论文所覆盖的主题见下图：
我们选取介绍了该综述论文中的部分内容，详情参见原论文。 什么是小样本学习？ fsl 是机器学习的子领域。 我们先来看机器学习的定义： 计算机程序基于与任务 t 相关的经验 e 学习，并得到性能改进（性能度量指标为 p）。
基于此，该研究将 fsl 定义为： 小样本学习是一类机器学习问题，其经验 e 中仅包含有限数量的监督信息。
下图对比了具备充足训练样本和少量训练样本的学习算法：
fsl 方法分类 根据先验知识的利用方式，fsl 方法可分为三类：
fsl 方法解决少样本问题的不同角度。 基于此，该研究将现有的 fsl 方法纳入此框架，得到如下分类体系：
数据 此类 fsl 方法利用先验知识增强数据 d_train，从而扩充监督信息，利用充足数据来实现可靠的经验风险最小化。
如上图所示，根据增强数据的来源，这类 fsl 方法可分为以下三个类别：
模型 基于所用先验知识的类型，这类方法可分为如下四个类别：
算法 根据先验知识对搜索策略的影响，此类方法可分为三个类别：
文章最后从问题设置、技术、应用和理论四个层面探讨了小样本学习领域的未来发展方向。
断路器失电后定值会复归零吗？
电力行业发展在5G时代迎来哪些改变
基于SPI总线控制器IP核的硬件结构及实现微投影系统的设计
OPPOR11发布会直播进行时：OPPOR11发布会请了半个娱乐圈超厉害，OPPOR11发布会现场演唱会的节奏
美国汽配展/美国拉斯维加斯国际汽车零部件展
小样本学习领域的未来发展方向
指定石英晶体
产品设计——接口篇
虹科新闻|虹科与Telco Systems正式建立合作伙伴关系
经纬恒润受邀出席2023第七届世界智能大会
智己汽车携手宁德时代共同开发“掺硅补锂电芯”技术
什么是SLAM技术？SLAM技术的工作原理
CW32的SPI单工模式主从通信介绍
Vishay发布6款低输入电流光耦VO617A
Vega和Ryzen在手 AMD能否重新崛起？
Epiq扩大计划范围 彻底实现人工智能的应用
嵌入式视觉处理器让神经网络性能翻倍
GX6107高性能低成本机顶盒单片接收解码系统芯片,支持DV
东京“奇特酒店”推出两台人形机器人
三星Gear VR更新 VR盒子能否持续保持高市占率？