基于原型网络的小样本分类方法研究综述.docVIP

基于原型网络的小样本分类方法研究综述

一、小样本分类问题与原型网络的核心定位

在传统监督学习范式下，深度分类模型的性能高度依赖大规模标注训练数据，数据标注的高成本与低效率成为制约其在医疗影像分析、工业缺陷检测、低频自然语言理解等场景落地的核心瓶颈。小样本分类（Few-ShotClassification,FSC）旨在仅利用每个类别少量标注样本（通常为1-5个）的前提下，实现对未知类别的高精度分类，而原型网络（PrototypicalNetworks）作为度量学习类小样本方法的典型代表，自2017年被Snell等人提出以来，凭借其结构简洁性、泛化鲁棒性与场景适配性，成为小样本分类领域应用最广泛的基准框架之一。

原型网络的核心假设建立在“同一类别的样本在特征空间中聚集于某一原型表征周围”的流形分布假设之上，其核心逻辑可拆解为三个步骤：首先通过特征编码器将输入样本映射到低维嵌入空间，其次对支持集中每个类别的样本嵌入取均值得到对应类别的“原型向量”，最后通过计算查询样本嵌入与各类别原型之间的距离度量（通常为欧氏距离），将查询样本分类到距离最近的原型所属类别。相较于同期的匹配网络（MatchingNetworks）、关系网络（RelationNetworks）等小样本模型，原型网络无需复杂的注意力机制或关系打分模块，训练过程仅需基于情节式训练（EpisodicTraining）范