HyperShot：通过核超网络实现少样本学习

少样本模型旨在利用给定任务中极少量的标注样本进行预测。该领域的主要挑战在于“零样本”（one-shot）设置，即每个类别仅由一个样本代表。为此，我们提出HyperShot——一种融合核方法（kernel-based）与超网络（hypernetwork）范式的新型模型。与以往依赖梯度调整参数的参考方法不同，我们的模型通过任务嵌入（task embedding）动态切换分类模块的参数配置。在实际实现中，我们采用超网络结构，其输入为支持集数据的聚合信息，并输出针对特定任务量身定制的分类器参数。此外，我们引入基于核方法的支持样本表示，作为超网络的输入，以生成分类模块的参数。由此，模型不再依赖主干网络直接提供的特征值，而是基于支持样本嵌入之间的关系进行建模。得益于这一设计，我们的模型能够有效适应差异显著的各类任务。