最近听这两个词的次数非常多，在这里总结一下：

    --------------

首先one-shot learning  也就是看到的机会很少，会产生新的类别，这种现有的很难进行区分。

最好的文章《Attribute-Based Classification for Zero-Shot Visual Object Categorization》

但是有一个方法，就是叫做提取 attribute 如下图

可以看到b和c都是先提取出这个attribute 然后再进行推理。

过程不细说了，总的来说就是：

1）对每一个class（包括test set里面的），人为的给分配一些attribute（这样做总比标新的数据要方便一些）

2）然后学这个输入到这些attribute的映射。

3）然后根据下面这个公式，得到这个类别属于什么。

记住一点，我们的这些类别对应的属性，都是人为给的。

简单吧， 我们可以用别的方法，比如我现在做的，就是让GAN自动学出来那些01的属性，然后这个句子就是这了，然后来的新的句子，看它的隐含层（01表达）就可以生成新的属性

----------------------------------------------------

one-shot learning 

就是有的样本只见过一两次，怎么办。

有一个叫做meta-learning的方法可以做，但是我还没研究透。

现在只是说一个比较简单的 方法啊，就是1nn  哈哈，在训练集里面找那个离他最近的那个样本的label  哈哈 简答吧

当然工作有很多，比如下面这个是比较经典的

《Matching Networks for One Shot Learning》

主要结构就是