PN

Prototypical Networks(PN)认为存在一个 embedding space 使得每个类别的样本在该空间内都聚集到某个点附近,这个点被称为这个类别的 prototype

出于这样的思想,对于每个 task 来说,PN 通过 CNN 将样本特征映射到该空间,然后采用其 support set 的均值作为该类别的 prototype,然后根据 query set 样本映射在此空间的点与各个类别的 protype 的距离来进行分类。

上图即为 PN 模型在 few-shot 与 zero-shot 场景下的 embedding space 示例,其中 $c_i$、$v_i$ 分别表示第 $i$ 个类别的 prototype 和 meta data(元信息,例如对该类别的文字描述),$x$ 表示 query set 样本。当我们求得各个类别的 prototype 时,整个 embedding space 就已经被分为若干子空间了,也就达到了分类的目的。