原型网络

Parent: ai_keywords

原型网络 (Prototypical Networks)

核心定义

原型网络是一种基于度量学习的小样本分类方法。它通过学习一个嵌入函数，将每个类别的少量支持集样本映射到嵌入空间，并计算该类别的原型（支持集样本嵌入的均值）。对于查询样本，通过计算其嵌入与各原型之间的欧氏距离，经 softmax 输出类别概率。该方法在标签稀缺场景（如医学诊断）中具有显著优势。

关键技术点

1. 嵌入学习：利用神经网络（如 CNN 或 Transformer）将原始数据映射到低维嵌入空间，使同类样本聚合、异类样本分离。
2. 类别原型计算：对每个类别 (c) 的支持集样本嵌入求平均，得到原型向量 (p_c = \frac{1}{|S_c|} \sum_{(x_i,y_i)\in S_c} f_\theta(x_i))。
3. 距离度量与分类：查询样本嵌入 (f_\theta(x)) 与各原型计算欧氏距离，通过 softmax 输出概率：(p(y=c|x) = \frac{\exp(-|f_\theta(x)-p_c|)}{\sum_{c’}\exp(-|f_\theta(x)-p_{c’}|)})。
4. 元学习训练：采用 episode 训练方式，每个 episode 采样 N-way K-shot 任务，模拟小样本场景，使模型学会快速适应新类别。

医学/神经科学应用场景

在首都医科大学神经病学系开展的脑电信号分析研究中，原型网络可用于癫痫发作亚型的小样本识别。临床实践中，癫痫发作类型多样（如局灶性、全面性），且每种亚型的典型脑电样本常因患者个体差异和发作变异性而数量稀少。利用原型网络，以每位患者或每类发作的几段典型脑电片段作为支持集，学习各亚型的原型表示；新记录到的疑似发作片段作为查询样本，通过计算与各原型的距离快速判定亚型。该方法突破了传统深度学习对大量标注数据的依赖，为精准诊断和个体化治疗提供了高效工具，尤其适用于罕见发作模式或新发患者的数据分析。