摘要

在仅提供少量训练样本的情况下处理先前未见过的任务仍然是机器学习中的一个难题。我们提出了TapNets，这是一种通过任务自适应投影增强的神经网络，旨在改进少样本学习。在此方法中，采用基于元学习策略的逐幕训练方式，在广泛变化的任务中学习网络和每类的参考向量。同时，在每个训练幕中，嵌入空间中的特征被线性投影到一个新的空间，作为快速任务特定条件化的一种形式。投影空间中查询向量与参考向量之间的距离度量用于计算训练损失。这样可以取得优异的泛化效果。在Omniglot、miniImageNet和tieredImageNet数据集上进行测试时，我们在各种少样本场景下获得了最先进的分类准确性。