imp:无限混合的原型，可进行几次学习

无限混合原型 凯尔西·艾伦（Kelsey Allen），埃文·谢勒哈默（Evan Shelhamer），哈努尔·辛（Haul Shin），乔什·特南鲍姆（Josh Tenenbaum） 抽象的 我们提出了无限混合原型，以适应性地表示简单和复杂的数据分布，以进行少量学习。 无限混合原型将深度表示学习与贝叶斯非参数结合起来，通过一组聚类来表示每个类，这与现有的通过单个聚类来表示每个类的原型方法不同。 通过推断聚类的数量，无限混合原型会在学习的特征空间中的最近邻和原型表示之间进行插值，从而提高了一次性拍摄方式的准确性和鲁棒性。 我们展示了自适应能力对于捕获复杂数据分布（如超类（如字符识别中的字母））的重要性，与原型网络相比，绝对精度提高了10-25％，同时仍保持或提高了标准的一次性学习基准的精度。 通过使用相同的规则对标记和未标记的数据进行聚类，无限混合原型可以实现最新的半监督精度，并且可以执行