如图所示，传统的机器学习方法尝试去学习每一种任务，而迁移学习则根据已经学习处理过的任务推广到有较少训练数据的新任务上。在传统的机器学习中， transductive learning指所有测试数据在训练时被要求看到的情况，并且对于新的数据当前模型不能重复利用。因此，一旦再有新的测试数据产生，此模型就会招架不住。 1. transductive transfer learning 在tran

Learning to Propagate Labels: Transductive Propagation Network for Few-shot Learning 文章链接：https://arxiv.org/pdf/1805.10002.pdf 代码链接：https://github.com/csyanbin/TPN 1. Motivation: 少样本学习问题为什么要用转导(T

1. Inductive learning Inductive learning (归纳式学习)。归纳是从已观测到的数据到一般数据的推理，归纳学习即我们平时所说的监督学习，使用带有标签的数据进行模型训练，然后使用训练好的模型预测测试集数据的标签，训练集数据不包含测试集数据。 2. Transductive learning Transductive learning (直推式学习)。直推是从

论文题目：learning to propagate labels：transductive propagation network for few-shot learning 论文发表：ICLR2019 Github：github.com/csyanbin/TPN 摘要：少样本学习的目标：在少量训练数据下（每个类别的样本很少），学习到一个有较强泛化能力的分类器。一种解决方式就是通过元学习（m

监督学习与非监督学习 监督学习 简单解释： 监督学习就是要在一组有标签信息的数据中训练一个模型，然后将该模型应用于一组测试数据上分析模型的泛化误差。 监督学习会把数据分成训练集和测试集，监督学习方法的重要假设是数据的分布是独立同分布的。监督学习要在训练数据中归纳出一个一般规则然后应用于测试数据中。训练数据是有标签的，测试数据是没有标签的。 百度百科解释 非监督学习， 简单解释： 非监督学习

小样本学习&元学习经典论文整理||持续更新 核心思想   本文提出了一种基于度量学习的小样本学习算法（TEAM），与其他基于度量学习的算法相比，本文在特征提取阶段采用了一种Task Internal Mixing (TIM)数据增强方法，设计了一种能够根据每个Episode进行自适应调整的距离度量方法Episodic-wise Adaptive Metric（EAM），并采用了一种双向相似性度

摘要 如何利用少量的数据学习到一个generalizable 的分类器目前仍旧是小样本学习的一个挑战，基于这个出发点，作者把元学习(meta-learning)和深度度量学习和归纳推理想结合，通过探索每个任务中成对约束和正则化，我们将适应过程明确地公式化为标准的半定规划问题。作者针对每个任务设计了一个情节性的(episodic-wise)度量矩阵来将通用的，任务不可知的编码空间转换到一个可判别性

论文阅读：Transductive Episodic-Wise Adaptive Metric for Few-Shot Learning（ICCV 2019） 三部分： 特征提取部分：运用了数据增强，将support set中所有样本处理一下（TIM），得到新的图片集，然后用CNN网络提取特征，query集也用同样的CNN网络提取特征。距离衡量部分：通过解决一个SDP问题来为