0 提纲

• 小样本学习问题
• 数据增强
• 基于模型的小样本学习
• 基于算法的小样本学习
• 相关资源

1 小样本学习问题

在小样本监督分类中，通常将问题表述为 N-way-K-shot分类，

• 当K = 1，称为one-shot learning；
• 当K = 0时，成为zero-shot learning（ZSL）。ZSL就要求学习的问题具备充足的先验知识，例如wordNet，word embedding等；
• K比较小，FSL(few shot learning)。

1.1 与其它学习的关系：

1. 弱监督学习：不完全监督、不确切监督、不精确监督；
2. 非平衡学习；
3. 迁移学习：如果把目标领域的学习看作是小样本学习，把源领域的知识看成是先验知识，那么迁移学习就是小样本学习；
4. 元学习。

1.2 各个领域的小样本学习：

• 图像方面的小样本分类已经有较多性能优异的算法模型；
• 文本方面的小样本分类仍不尽人意；
• 网络安全方面的小样本也很难于解决。

1.3 PAC(probably approximate correct)计算学习理论

从假设空间H学习一个好的h，好的假设h，满足两个条件：
(1) 近似正确：存在一个很小的数$0<ϵ<1$, 使得泛化误差$E(h)\le ϵ$；
(2) 可能正确：给定一个值$0<\delta <1$，