摘要

在少样本分类（few-shot classification）任务中，目标是训练模型，使其仅依靠少量标注样本即可区分不同类别。在此背景下，已有研究提出引入图神经网络（Graph Neural Networks, GNNs），旨在利用与其他样本同时处理时所蕴含的信息，这一设定在文献中通常被称为“归纳设置”（transductive setting）。这些GNN模型与主干特征提取器共同进行端到端训练。本文提出一种新方法，该方法仅通过图结构对特征向量进行插值，从而实现无需额外训练参数的归纳学习框架。所提方法同时利用两个层次的信息：a）在通用数据集上获得的迁移特征；b）来自待分类样本之间的归纳信息。在标准的少样本视觉分类数据集上的实验表明，该方法相较于现有方法能够带来显著的性能提升。