文章摘要:小样本学习是面向小样本数据的机器学习，旨在利用较少的有监督样本数据去构建能解决实际问题的机器学习模型。小样本学习可以解决传统机器学习方法在样本数据不充分时性能严重下降的问题，可以为新型少样本任务实现低成本和快速的模型部署，具有缩小人类智能与人工智能之间距离和推动发展通用型人工智能的重要意义。本文从小样本学习的概念、基础模型和实际应用入手，系统地梳理了当前小样本学习的相关工作，将小样本学习方法分类为基于模型微调、基于数据增强、基于度量学习和基于元学习，并具体阐述了这4大类方法的核心思想、基本模型、细分领域和最新研究进展，以及每一类方法在科学研究或实际应用中存在的问题；接着，总结了目前小样本学习研究的常用数据集和评价指标，并整理了基于部分典型小样本学习方法在Omniglot和Mini-ImageNet数据集上的实验结果；随后对各种小样本学习方法及其优缺点进行了总结；最后，分别从数据层面，理论研究和应用研究3个方面对小样本学习的未来研究方向进行了展望。

文章关键词:

项目基金: