前言

本人的研究方向是少样本图像分类，在阅读论文时会遇到很多元学习、迁移学习这样的名词，这些词在不同的论文中关系仿佛都不一样，人们的说法也不统一。因此在此记录一下自己的逻辑，希望不再混乱了~
还有对比学习和自监督学习，最近自己也在看，并且和少样本学习（FSL）相关，就一起放在这里。

文章中出现的ppt截图是自己讲组会用的，大家仅作参考。
如需转载，请注明来源！

一、对比自监督学习与FSL

1.对比学习与自监督学习

对比自监督学习是一种当下流行的算法，其实它是指通过对比学习来完成自监督学习的过程。 对比学习的精髓就在于在特征域拉近相似正样本对之间的距离，拉远负样本对的距离。

在自监督学习中，对于当前训练图片而言，正样本对通常由来自于同一张图片的两个随机增广图片构成，负样本对由来自于其他图片的增广图片构成。

对比学习还可以用于有监督学习，这时正样本对是来自同一类的图片，负样本对是来自不同类的图片。

2.自监督学习与FSL

为了检验自监督学习算法的优劣，通常在下游任务上对由自监督学习获得的特征提取器进行检验。下游任务包括很多种，FSL就是其中一种。但是在自监督学习算法中，很少有人会在FSL上作检验，一般会选择线性探针、目标检测等常用方法。
当然，对比自监督学习属于自监督学习，FSL也可以作为它的一种下游任务。

二、元学习与FSL

1.元学习是什么

元学习在2018年就被提出了，也可能更早就出现了这个概念。人们在提到它是，都说“元学习是指学会学习”，这个解释很抽象啊。
在参考一些文章后，我认为元学习的核心是，网络通过在大量相似任务上做训练获取元知识，就可以在新任务上快速学习以完成这个新任务。

这里有两个重点：
1、什么是元知识？
在元学习中，存在元训练和元测试阶段，其中元训练（上面ppt中的outer-level）就是为了获取最佳的元知识，使得网络在元测试阶段（inner-level）能快速解决新任务。
元知识这个词也有点抽象，它是指影响网络学习的一些因素，比如网络权重的初始值、网络结构、学习率等超参数，等等。

2、新任务和用于元训练的那一堆任务有什么关系？
新任务需要和元训练使用的任务同分布！ 这是元学习的一个限制。从上面ppt中可以看到，损失函数是对任务的分布求均值获得的。

2.元学习与FSL

元学习其实就是解决FSL问题的一种方法，这两种学习没有概念上的混淆，他们是单独的两种问题。
但是现在大部分解决少样本学习问题的算法都采用了元学习方法，所以人们很容易将二者混为一谈。
我们来看下面的对比，就知道元学习为什么总是被用于解决FSL了。

从上图中可以看出元学习希望网络能快速学习，而FSL要求网络在少量样本下就可以学会分类，这其实是对应的。少量样本就代表着快速学习。 FSL要求的新类别其实就对应着元学习的新任务。
因此，元学习和FSL完美对应，就可以应用上去啦！

同时，少样本学习的效果也是验证元学习算法性能的一种方式。

三、迁移学习与FSL

1.迁移学习

迁移学习是一个很广的概念，但凡涉及到知识迁移的情况都可以称为迁移学习。
比如说从大数据集向小数据集的迁移，从ImageNet向CIFAR 10图像分类的迁移。因此元学习就是一种迁移学习，它是同分布任务之间的迁移。
同时，之前提到的检验自监督学习算法性能的下游任务，也涉及了迁移。这是从上游任务向下游任务的迁移。

2.迁移学习与FSL

了解了迁移学习的概念后，我们可以发现，FSL目前就是依靠迁移学习来完成的！

这是因为元学习和自监督学习是目前用来解决FSL的两种方式，而这两种方法又都属于迁移学习。

总结

以上就是我在阅读论文及博客后，得到的一个自认为可以捋顺的关系结构。这些“学习”的概念确实会然在一起，但是需要我们完全区分开。

如果大家有补充或修正，欢迎留言啊！
如需转载，请注明来源！

元学习、迁移学习、对比学习、自监督学习与少样本学习的关系解读相关推荐

NeurIPS 2019 少样本学习研究亮点全解析
作者:Angulia Chao 编辑:Joni Zhong 少样本学习(Few-Shot Learning)是近两年来非常有研究潜力的一个子方向,由于深度学习在各学科交叉研究与商业场景都有比较普遍的应 ...
weka分类器怎么设置样本类别_NeurIPS 2019 少样本学习研究亮点全解析
少样本学习(Few-Shot Learning)是近两年来非常有研究潜力的一个子方向,由于深度学习在各学科交叉研究与商业场景都有比较普遍的应用,然而训练出高精度模型的情况大部分来源于充足的训练数据,这 ...
少样本学习（一）：了解一些基础概念
Few-shot learning(少样本学习)和 Meta-learning(元学习)概述参考:Few-shot learning(少样本学习)和 Meta-learning(元学习)概述_Cao ...
【转载】Few-shot learning（少样本学习）和 Meta-learning（元学习）概述
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/weixin_37589575/arti ...
加了元学习之后，少样本学习竟然可以变得这么简单！
文 | Rukawa_Y 编 | Sheryc_王苏,小轶去年年初 GPT-3 的论文在 arxiv 上出现,论文名为 "Language Models are Few-Shot Lear ...
Meta-learning（元学习与少样本学习）
Meta-learning(元学习) 虽然目前很多暴力堆算力堆数据的模型取得了很好的效果,但由于有些数据很难收集到,或者大量的标注耗费人力太多,关于元学习的研究也很多.特别是比如人类往往只需要通过少量 ...
Few-shot learning（少样本学习）和 Meta-learning（元学习）概述
目录 (一)Few-shot learning(少样本学习) 1. 问题定义 2. 解决方法 2.1 数据增强和正则化 2.2 Meta-learning(元学习) (二)Meta-learning( ...
如何实现少样本学习？先让神经网络get√视觉比较能力
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
Few-shot learning 少样本学习
N-way K-shot用来衡量网络泛化能力,但小样本在实际应用中并不是很好. 背景深度学习已经广泛应用于各个领域,解决各类问题,在图像分类的问题下,可以很轻松的达到94%之上.然而,deep le ...

元学习、迁移学习、对比学习、自监督学习与少样本学习的关系解读

文章目录

前言