叶 萌，杨 娟，汪荣贵，薛丽霞，李 懂

（合肥工业大学计算机与信息学院，合肥 230601）

0 概述

自深度学习［1］技术被提出以来，增加神经网络模型深度［2-3］从而使得模型具有更强的学习能力成为人工智能领域的热点研究［4-6］，但在构建大容量模型时需要使用海量的训练样本，因此在样本获取、标注等工作上耗费大量的人工成本。小样本学习［7］研究的主要目的在于赋予深度学习模型从少量新事物中快速学习抽象概念的能力，并在遇见同类事物时能够快速对比重要信息从而做出正确判断。具体而言，小样本学习任务的目标是在少量待测试类别样本参与模型训练的情况下构建性能优异的分类器。针对小样本学习问题，基于距离度量的小样本学习方法易于实现，并且效果显著，目前已成为小样本学习领域的一个重要研究方向。此外，基于迁移学习的小样本学习方法、基于数据增强的小样本学习方法和基于元学习的小样本学习方法也是小样本学习领域的常用方法。

基于迁移学习的小样本学习方法利用训练样本对模型进行预训练，并运用有限的测试集样本对模型参数进行调整从而完成从源域到目标域的迁移。文献［8］利用内积度量的边际Fisher 准则对源域进行特征映射，并对源域中的样本点进行筛选，在核化空间上学习目标域与源域特征的非线性映射，最终在目标域中构建小样本分类器，该方法取得了一定的实际应用效果。此类学习……