摘要
越来越多的实际应用正面临着数据短缺的情形，普通的人工智能深度学习模型依赖于充足的训练数据，无法满足这些实际需求。小样本学习是解决该问题的一种重要途径，而元学习是小样本学习的技术之一。对小样本学习和元学习的研究具有重要的理论意义和实际应用价值。 本文从设计框架、理论方法与实际应用等方面深入研究基于元学习的小样本学习，主要工作与成果概括如下: ①提出一种新的元学习模型设计框架。完整的元学习模型由前端、元学习器、基学习器、元学习策略四部分组成，现有框架需要用户给定前端、元学习器与基学习器三部分。提出的设计框架只需要用户提供前端以及对元学习“共性”和“个性”的划分方式，就能直接推导出元学习器与基学习器的具体模型结构，从而更加方便地完成元学习模型设计。 ②针对小样本分类任务中训练集和测试集的样本分布差异，提出一种基于任务迁移的特征增强元学习方法TTN和一种基于域迁移的特征增强对抗元学习方法TTN-GAN。TTN首次将类别结构信息引入元学习特征增强过程，降低“分布差异”对模型性能的影响:在此基础上，TTN-GAN引入对抗机制学习聚类损失函数，并首次将图分类技术引入元学习生成对抗模型中，进一步提升元学习模型刻画类别结构的准确性。通过小样本图像分类任务对TTN和TTN-GAN进行系统的验证，实验结果表明，针对典型的宿主模型，TTN和TTN-GAN能够显著提升模型整体性能，增强可扩展性。 ③将TTN-GAN方法应用到行人重识别视觉感知任务，在多个基准数据集上的对比实验表明，TTN-GAN方法不仅能应用于元学习模型，也能应用于基于表示学习的不同宿主模型，提升模型整体性能，在实际应用中具有较高的可扩展性。
NETL