小样本学习中关于虚拟样本有效性的问题？ 第1页

如果虚拟样本的“输入和输出对应关系其实和Dreal是一样的”，那虚拟样本一定会失效。

所以虚拟样本必须差异化才行。

举个例子：

+表示当前任务样本，-表示非当前任务样本，颜色标识类别。

这个时候因为few-shot问题，决策边界随便画画就可以正确分类了，但是query set来了之后可能泛化性很差。

MetaGAN^[1]生成的虚拟样本(负样本)就是压缩特征空间，使决策边界不要乱搞。

+表示当前任务样本，-表示非当前任务样本，红色蓝色标识当前任务类别(real)，灰色标识生成负样本(fake)。

这样一来，决策边界可以稳定的在support set周围产生。

再举个例子：

@杨朔 大佬的论文^[2]在做增广的虚拟样本，目的是使从support set和base-class data中生成的样本贴近待推断的query set，以达到特征空间增广的目的。这样的虚拟样本就是和题主说的real data不一样了，因为它是去估计query set的分布而不是support set (real)。

参考

1. ^MetaGAN: An Adversarial Approach to Few-Shot Learning https://proceedings.neurips.cc/paper/2018/hash/4e4e53aa080247bc31d0eb4e7aeb07a0-Abstract.html
2. ^FREE LUNCH FOR FEW-SHOT LEARNING: DISTRIBUTION CALIBRATION https://arxiv.org/pdf/2101.06395.pdf?ref=https://githubhelp.com