摘要

少样本学习（Few-shot learning）旨在利用极少的标注数据识别新类别。原型网络（Prototypical network）在现有研究中被广泛采用，然而，当在标注数据量稀少且样本尺寸分布狭窄的情况下进行训练时，往往会导致原型（prototype）产生偏差。本文识别出该过程中的两个关键影响因素：类内偏差（intra-class bias）与类间偏差（cross-class bias）。为此，我们提出一种在归纳设置（transductive setting）下简单而有效的原型修正方法。该方法通过标签传播（label propagation）减少类内偏差，并借助特征迁移（feature shifting）降低类间偏差。此外，本文还进行了理论分析，推导了该方法的合理性及其性能的下界。实验结果在三个少样本学习基准数据集上验证了所提方法的有效性。值得注意的是，该方法在miniImageNet数据集上取得了70.31%（1-shot）和81.89%（5-shot）的先进性能，在tieredImageNet数据集上分别达到78.74%（1-shot）和86.92%（5-shot），均达到当前最优水平。