摘要
我们提出了一种原型网络（prototypical networks）用于解决少样本分类问题，即在训练集中未见过的新类别上进行分类，每个新类别仅提供少量样本。原型网络学习一种度量空间，在该空间中可以通过计算与各类别原型表示的距离来进行分类。与最近的少样本学习方法相比，原型网络反映了在这种数据有限的情况下更为简单的归纳偏置，并且取得了优异的结果。我们通过分析表明，一些简单的设计决策可以显著优于涉及复杂架构选择和元学习的近期方法。此外，我们将原型网络进一步扩展到零样本学习，并在CU-Birds数据集上达到了最先进的结果。