少样本分类基准

Parent: ai_keywords

核心定义

少样本分类基准（Few-shot Classification Benchmark）是指一套用于评估机器学习模型在每类仅拥有少量标注样本（如 1-shot、5-shot）时进行分类性能的标准化测试框架。它通常包括：专用的数据集（如 miniImageNet、CIFAR-FS）、任务构成协议（N-way K-shot）、评估指标（如平均准确率及其置信区间）以及若干对比基线模型（如原型网络 ProtoNet、模型无关元学习 MAML）。其核心目标是统一衡量少样本学习算法的泛化能力，避免因数据过拟合导致的虚假性能提升。

关键技术点

  1. 任务构建与 Episode 采样
    从基类（base classes）和新类（novel classes）中随机采样 N 个类别，每个类别抽取 K 个支持样本（support set）和 Q 个查询样本（query set），形成“N-way K-shot”任务，通过大量 episode 平均评估模型。

  2. 元学习范式
    模型在基类上学习“学会学习”的能力（如 MAML 的快速参数初始化、ProtoNet 的度量空间），使其能在新类上仅通过几步梯度更新或距离度量完成分类。

  3. 数据划分与域转移
    严格分离基类（训练集）与新类（测试集，类别不重叠），并设计跨域场景（如从自然图像到医学图像），测试模型在类别分布偏移下的鲁棒性。典型基准包括 miniImageNet（64 基类/16 新类）和 tieredImageNet（更大幅的层级隔离）。

  4. 评估协议与统计显著性
    要求多次重复（≥5 次）不同随机种子下的完整实验，报告均值与标准差；采用带置信区间的统计检验（如配对 t 检验）对比不同算法，杜绝单次结果偶然性。

医学/神经科学应用场景

基于 MRI 的脑小血管病（CSVD）微出血分类
在首都医科大学神经病学研究所的临床研究中，脑微出血（CMB）作为 CSVD 的关键影像标记物，常因新发变异或罕见亚型而仅有极少量专家标注（如每类仅 3-5 个病灶）。利用少样本分类基准，研究者可构建 5-way 5-shot 任务：将常见 3 类 CMB（深部、脑叶、幕下）作为基类，新发现的 “混合型” 或 “重型” 亚型作为新类。模型先在大量常见 CMB 上通过 ProtoNet 学习度量空间，仅需 5 张标注便能对新型微出血进行高准确率分类。该基准方案有效降低了罕见神经病变标注成本，且评估协议可直接迁移至其他 MRI 序列（如 SWI、T2*），为 CSVD 自动化筛查提供了标准化测试平台。