小样本学习方法优缺点对比

分类体系		优点	缺点
基于模型微调的方法		方法简单，仅需要设计模型参数；调整模块，而无需考虑模型构建.	当目标数据集与源数据集分布相差较大时，将导致模型在目标数据集上过拟合.
基于数据增强的方法		一定程度地缓解了模型过拟合问题，通常专注于对数据属性的增强，更高效地利用现有数据，避免对模型的优化与调整.	可能会产生噪声数据或噪声特征，难以达到最佳效果.
基于迁移学习的方法	基于度量学习的方法	思想易于理解，可解释性较强，便于计算和公式化，可扩展性强，能够和其他FSL方法结合.	在样本量较少的情况下，简单地通过距离度量的方法使得最终效果不佳.
	基于元学习的方法	受到人类学习的启发，使模型具备学习的能力，能够学习到除训练之外的知识，并利用已有知识，指导模型更快地适应新任务. 可解释性强，能够更准确地度量样本间关系.	模型复杂度较高、训练时间较长，因此该类方法的时间成本与设备成本较高，且模型效果仍有较大的提升空间.
	基于GNN的方法	GNN中节点分类的思想能够自然地应用于小样本分类问题，且该类FSL方法性能较好.	不可避免地存在节点过平滑的问题，由于该方法较为新颖，其需要改进和发展的方面还有很多.

下载: 导出CSV

分类体系		优点	缺点
基于模型微调的方法		方法简单，仅需要设计模型参数；调整模块，而无需考虑模型构建.	当目标数据集与源数据集分布相差较大时，将导致模型在目标数据集上过拟合.
基于数据增强的方法		一定程度地缓解了模型过拟合问题，通常专注于对数据属性的增强，更高效地利用现有数据，避免对模型的优化与调整.	可能会产生噪声数据或噪声特征，难以达到最佳效果.
基于迁移学习的方法	基于度量学习的方法	思想易于理解，可解释性较强，便于计算和公式化，可扩展性强，能够和其他FSL方法结合.	在样本量较少的情况下，简单地通过距离度量的方法使得最终效果不佳.
	基于元学习的方法	受到人类学习的启发，使模型具备学习的能力，能够学习到除训练之外的知识，并利用已有知识，指导模型更快地适应新任务. 可解释性强，能够更准确地度量样本间关系.	模型复杂度较高、训练时间较长，因此该类方法的时间成本与设备成本较高，且模型效果仍有较大的提升空间.
	基于GNN的方法	GNN中节点分类的思想能够自然地应用于小样本分类问题，且该类FSL方法性能较好.	不可避免地存在节点过平滑的问题，由于该方法较为新颖，其需要改进和发展的方面还有很多.