Vinyals, Oriol, et al. “Matching networks for one shot learning.Advances in neural information processing systems. 2016.

    论文:http://www.cs.toronto.edu/~gkoch/files/msc-thesis.pdf

    关键词: **Matching

    相比孪生网络,匹配网络(Match Network) 为支撑集和 Batch 集构建不同的编码器,最终分类器的输出是支撑集样本和 query 之间预测值的加权求和。
    它显式的定义一个基于支撑集 Matching networks - 图1 的分类器,对于一个新的数据 Matching networks - 图2 ,其分类概率由Matching networks - 图3与支撑集 S 之间的距离度量得出.
    进一步,支撑集样本 embedding 模型 g 能继续优化,并且支撑集样本应该可以用来修改测试样本的 embedding 模型 f。
    这个可以通过如下两个方面来解决:
    1)基于双向 LSTM 学习训练集的 embedding,使得每个支撑样本的 embedding 是其它训练样本的函数; 2)基于 attention-LSTM 来对测试样本 embedding,使得每个 Query 样本的 embedding 是支撑集 embedding 的函数。文章称其为 FCE (fully-conditional embedding)。