شبكات النماذج الأولية للتعلم القليل الإطارات

نقترح شبكات النماذج الأولية (prototypical networks) لمشكلة التصنيف بقليل من الأمثلة (few-shot classification)، حيث يجب على مصنف أن يعمم إلى فئات جديدة لم يتم رؤيتها في مجموعة التدريب، مع وجود أمثلة قليلة فقط لكل فئة جديدة. تقوم شبكات النماذج الأولية بتعلم فضاء متري يمكن فيه إجراء التصنيف من خلال حساب المسافات إلى التمثيلات النموذجية لكل فئة. بالمقارنة مع الطرق الحديثة للتعلم بقليل من الأمثلة، تعكس هذه الشبكات تحيز استقرائي أبسط يكون مفيدًا في هذا النظام الذي يعتمد على بيانات محدودة، وتحقق نتائج ممتازة. نقدم تحليلًا يظهر أن بعض القرارات التصميم البسيطة يمكن أن تحقق تحسينات كبيرة على الطرق الحديثة التي تتضمن اختيارات هندسية معقدة وتعلم متعدد المستويات (meta-learning). نوسع أيضًا نطاق شبكات النماذج الأولية إلى التعلم بدون أمثلة (zero-shot learning) ونحقق أفضل النتائج على مجموعة بيانات CU-Birds.