计算机工程

作者：陈良臣, 傅德印

单位：1. 中国劳动关系学院 计算机教研室, 北京 100048;2. 中国劳动关系学院 应用统计学教研室, 北京 100048;3. 中国科学院信息工程研究所, 中国科学院网络测评技术重点实验室, 北京 100093;4. 武汉理工大学 计算机科学与技术学院, 武汉 430063

关键词：小样本学习,小样本数据,机器学习,深度学习,数据增强

基金：国家统计局全国统计科学研究项目（2022LY005）；中国劳动关系学院科研项目（22XYJS021）；中国科学院网络测评技术重点实验室课题（KFKT2022-003）；中国劳动关系学院教改项目（JG22080）。

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够解决实际问题的机器学习模型。小样本学习能够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，可以为新型小样本任务实现低成本和快速的模型部署，缩小人类智能与人工智能之间的距离，对推动发展通用型人工智能具有重要意义。从小样本学习的概念、基础模型和实际应用入手，系统梳理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，总结目前小样本学习研究的常用数据集和评价指标，整理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。最后对各种小样本学习方法及其优缺点进行总结，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展望。

来源：2022年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第11期