編者按：深度學習和人類智能存在一個顯著差異，即人類擅長通過極少量的樣本識別新類別物體，而深度學習在此情況下很容易產生過擬合。因此，小樣本問題成為了機器學習領域中重要的研究方向之一。目前已有基于度量學習、語義信息以及數據增強等多種方法，而至于大小樣本的邊界、小樣本學習的方法論等問題還備受關注。在本文中，復旦大學付彥偉、上海科技大學何旭明、北京郵電大學馬占宇、中科院計算所王瑞平（按發言順序整理），將答疑解惑探討小樣本學習的最新進展。本文整理自VALSE Webinar 2019第29 期Panel。

議題1

小樣本 vs 大樣本，多“小”才算小，多“大”才算大？什么樣的情況下，需要專門設計“小樣本”學習算法？小樣本學習在智能體學習過程中如何和不同大小樣本的數據融合？如何在數據積累中過渡到大樣本學習？

付彥偉：這個問題很基礎也很有意思，我們其實做小樣本，一般都考慮每個類只有一個三個五個、或者十來個樣本，這種one-shot 、three-shot、five-shot情況。此外在深度學習之前，從partical learning這個角度來看其實有些問題可以借鑒，在統計學，小樣本學習不叫one-shot learning，而叫做smoothing probability，也就是小樣本可能還和特征維度有關系。假設你的特征維度是D的話，當樣本量小于logD，就算一個比較小的樣本。當然現在有深度學習了，我們可能并不會從這個角度去看。

至于什么樣的情況需要專門設計小 樣本學習算法，其實這是一個很實際或者很工業的問題，比如在醫療圖像處理中解決很罕見的病變，樣本量確實不夠，我們想去學一個分類器就只能根據這個數據去設計小樣本學習算法。

小樣本學習在智能體學習過程如何和不同大小樣本的數據融合，這其實有很多角度。比如李飛飛老師在 ICCV2003年的一篇文章，通過貝葉斯這條思路去融合；我們也可以和專家系統，或者通過一些專家知識融合，甚至可以和不同的領域，比如vocabulary inference learning領域，通過NLP去學習一些語義字典幫助小樣本學習；如何在數據積累中過渡到大樣本學習，這有一個很典型的增量學習問題。

何旭明：從視覺概念的認知角度來看，小樣本的“大小”也體現在它與其他類別之間區分度的大小。即使有些類別樣本數量比較小，如果它和其他類別相似度較高，可以用很多先驗知識來幫助學習這些小樣本，因此也可以不算“小樣本”。如果碰到一個和其他類區別很大的類別，可能通常的學習就會變得非常困難，需要當作小樣本看待。

如果利用一些先驗知識能夠幫助學習小樣本類別，我覺得這種情況是可以設計相關算法的。但如果很難得到先驗知識，那無論什么設計也學不到有用信息。

針對如何從不同大小樣本中的數據融合問題，我認為可以從大樣本入手開始學習，然后擴展到小樣本。即使類別不同，如果有相關性的話，依然可以去借鑒大樣本統計上的一些規律來幫助小樣本學習。

最后，借鑒人類的學習過程來說，一開始可能是小樣本，然后不斷在數據積累和反饋機制下，可以獲得更新的數據。這樣可以把視覺概念的表征不斷地細化，最后能夠自然而然地就能過渡到大樣本。

馬占宇：關于如何與不同規模大小樣本的數據融合，我覺得還有一個不平衡的學習問題。即首先分清哪些類別樣本是小的，哪些類別是大的。這種情況下，不是簡簡單單真地把小樣本變大，或者是說把大樣本增強，理想的狀況是能夠在數據分布不平衡的情況下，去做一個比較好的分類器。

議題2

引入知識來彌補小樣本的數據不足是一個較為公認的趨勢，到底什么算是“知識”，有哪些形式？目前真正管用/好用的“知識”是什么，來自哪里？

王瑞平：現在模型能夠取得成功，基本上都是依賴數據驅動。在數據不足的情況下，尤其在零樣本學習（極端情況）里面，一定要利用語義的知識去輔助。到底什么算是“知識”，現在零樣本里面可能會用一些屬性的標注，包括一些類別在語義層面的相似性關系，都算比較底層的知識。從人類的認知角度來看，相關的知識庫和應用也可稱之為“知識”，這可能是一種更自然的方式。

那么目前真正管用或者是好用的“知識”有哪些？在零樣本和小樣本學習里面，大部分還是屬性、詞向量這種人類手工標注的語義描述，其實這種知識可擴展性比較差。我們不可能對所有類別標注它所需要的全部知識，將來更有實踐意義的，應該是從大量原始文本數據中進行類別相關的語義挖掘和提純，然后結合手工標注的屬性。這方面目前很大程度上仍受限于自然語言處理技術的發展，所以真正地用知識去彌補數據不足應該是可努力的方向。

何旭明：在一些特定專業領域里面標注是很困難的，比如醫學圖像分析。但是很多醫學學科已經建立了比較完整的知識體系，因此充分利用這些專業的知識體系，可以幫助彌補數據匱乏的弱點。

付彥偉：從貝葉斯的角度，我們可以把知識當做一個先驗信息，把小樣本或者這些知識建模成一個分布，來幫助小樣本學習。甚至可能從圖形學模型的角度去思考，比如把一些領域的知識建模成一個ontology或者是一個圖形學模型。目前這方面還沒有探索得特別清楚，掌握知識其實是一個很基礎的問題。

議題3

在小樣本學習的實際場景中，數據量缺乏會帶來domain gap(域漂移)問題，怎么看待域漂移給小樣本學習帶來的挑戰？

馬占宇：我覺得域漂移和知識遷移都屬于跨域問題，從不同域之間這個層面上來定義比較好。所以說域漂移給小樣本學習帶來了挑戰，也帶來了一些好處和機會，比如我們前面提到的跨模態、多模態，可以把不同域之間的知識融合起來，最終進行小樣本學習。

議題4

什么樣的小樣本訓練數據集能夠產生較好的模型？

付彥偉：源數據和目標數據比較相近或者相似的時候，源數據上訓練的模型用于目標數據的小樣本學習，效果還是比較好的，如果差得比較大的話，其實還是有很大影響的，這個其實直接就和域漂移有很大關系。我們在做一些缺陷檢測時也會遇到很多類似的問題。

何旭明：在實用場景里面可以依據情況來考慮樣本選擇，依據問題賦予的靈活性分兩種情況：第一類問題，如果類別是可以選的，那就選擇和源數據比較近的樣本；第二類，如果類別是預規定好的，可以在每個類別通過數據選擇產生一些比較好的數據幫助訓練。

議題5

one-shot learning要解決的是僅有少量訓練數據時模型的過擬合問題么？那傳統解決過擬合的方法（如特征選取，正則化，提高訓練樣本多樣性等）如何體現在現有的one-shot方法中呢？

付彥偉：之前基本就是以上的傳統策略。但是有了深度學習之后，我們如果不用遷移學習，每個類5個訓練樣本來訓練一個學習器，可能就要考慮特征選擇、正則化這些問題。用深度學習的話，這個問題應該還是存在的，可能只是形式變了，我們采用batch normalization 或者instance normalization來進行正則化,特征選取可能也能對應得上。因為我們在深度學習中會隱含去做這些事情，比如說注意力機制本身也是一種特征選取。

何旭明：注意力機制實際上其實是在動態地特征選取。正則化的作用，除了BN，其實你的網絡模型設計就體現了對模型的約束；還有模型訓練的損失函數設計也體現了這點，比如添加額外的約束項。提高訓練樣本的多樣性的話，現在很多的趨勢，就是做feature augmentation(特征增廣)。

議題6

機器學習（深度學習）如今依賴海量數據，樣本量過小容易過擬合，模型表達能力不足。但某些實際場景下樣本很難收集，應該如何處理這些問題，如何防止過擬合？

王瑞平：這應該就是小樣本學習的背景，小樣本和數據不平衡問題其實是共生的，實際生活當中這兩個問題是普遍存在的。從企業界的項目經驗來看，通過數據增廣、相似類別之間的知識遷移、數據合成和domain adaptation（域自適應學習）。針對樣本類別之間的不平衡問題，可以做數據的合成或者分類器的合成。

馬占宇：樣本量過小導致的過擬合不僅是小樣本學習中面臨的問題。傳統機器學習里也同樣面臨這個問題，需要結合不同場景具體分析。

議題7

在小樣本學習中如何考慮任務之間的相關程度？如何在新領域的任務中應用小樣本學習方法？

何旭明：現在的很多假設任務是獨立同分布的，也就是從一個分布中采樣出獨立的任務。在這個假設下，很難去探索任務之間的相關度。在實際應用中，這個假設是比較強的，很多時候任務之間的確是有相關度的。那么或許最后會變成一個類似于多任務學習的問題設定。

議題8

零樣本學習中，輔助信息（屬性，詞向量，文本描述等）未來的發展趨勢是怎樣的？

付彥偉：無論圖像識別、自然語言處理還是其他領域，都可能會存在零樣本學習的問題。屬性和詞向量也有很多缺點，比如多義性，你說apple是apple公司還水果apple，這本身就有歧義性。

何旭明：如果利用這些輔助信息其中的內在關聯建立起信息之間的聯系，就可能是一種有結構的知識圖譜。換個角度，因為這些屬性詞向量，就是知識表達的一個具體體現，而背后的應該是整個的一個知識體系。

議題9

可解釋性學習能否促進零樣本學習的發展？

馬占宇：我先打一個比方，可能不太恰當。在信號處理領域里，我們接受到的是信號，然后從中獲取信息，最后又把信息提煉成知識，這個是不同層次，不同內涵的事情。當然對于我們做視覺任務來說，也許就是圖像中尋找一些顯著區域，然后在該區域搜集某些特征、目標。因此，從這個角度講，可解釋性學習對零樣本的發展是有幫助的，但是目前如何促進以及結合知識，我覺得還是一個比較有挑戰或者開放的問題。

王瑞平：模型的可解釋性肯定能促進零樣本學習的發展，零樣本學習之所以能做，就是因為能夠去建立類別之間的關聯，把所謂的已知類的語義信息遷移到未知類別上面。

類別通過什么關聯的呢？其實類別背后的根本是一些概念的組合，比如有沒有四條腿、皮毛、何種顏色等概念。那么如果能夠從已有分類模型中學習出來樣本和類別間的因果關系，并知道類別之間的差異何在，以及模型與概念的對應關系，試圖去解決零樣本和小樣本之間的問題，就能追溯到可遷移的根本所在。

付彥偉：深度學習的可解釋性可能更側重于特征的描述，零樣本學習最開始的一些工作，其實一直都是以可解釋性這個思路去做，就是把X映射到一個Y，Y是H的空間，后來我們又通過這種語義的可解釋性來做零樣本學習。如果單純地只是深度學習特征的可解釋性，就相當于怎么去更好地提取X，由X去構造零樣本學習.。

小結

正所謂“巧婦難為無米之炊”，在使用深度學習這一工具解決實際問題時，難免會遇到樣本不足的情況。而受人類快速學習能力的啟發，研究人員希望機器學習模型能夠在習得一定類別數據后，只需少量樣本就可以學習新的類別，這就是小樣本學習（Few-shot Learning）要解決的問題。

“樣本量與特征維度的大小關系“、”樣本與其他類別的區分度”等因素，可能和大小樣本的界定有緊密關聯。小樣本學習可以同專家系統、自然語言處理等領域融合，并借助大樣本上的數據積累和一些反饋機制自然過渡到大樣本學習。雖然小樣本學習是人類學習的一個特長，但即便是人類，其本質上的學習也是基于大樣本的，它包括漫長的進化過程和多模態共生信息的影響，人類的“舉一反三”依舊是基于大數據和知識的轉化問題。因此，通過引入知識來彌補小樣本的數據不足是一個較為公認的趨勢。人類手工標注或者提取自大數據的語義描述、特定領域的知識體系都是可利用的“知識”。在實際應用中，小樣本和數據不平衡往往是共生的，通過數據增廣、相似類別之間的知識遷移、數據合成、結構化的知識圖譜、域自適應學習、借助模型的可解性等策略可提升小樣本學習性能。