论文地址：https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf
声明：小编翻译论文仅为学习，如有侵权请联系小编删除博文，谢谢！
小编是一个机器学习初学者，打算认真研究论文，但是英文水平有限，所以论文翻译中用到了Google，并自己逐句检查过，但还是会有显得晦涩的地方，如有语法/专业名词翻译错误，还请见谅，并欢迎及时指出。
如果需要小编其他论文翻译，请移步小编的GitHub地址传送门：请点击我
如果点击有误：https://github.com/LeBron-Jian/DeepLearningNote
几乎所有分类模型使用的都是标准分类。输入被馈送到一系列层，最后输出类概率。如果想通过猫来预测出狗，你可以在你所期望的预测时间内训练相似的（但不相同的）狗/猫图片模型。当然，这要求你有一个数据集，与你使用模型进行预测时所期望的数据集类似。而孪生网络是一种特殊类型的神经网络架构。与一个学习对其输入进行分类的模型不同，该神经网络是学习在两个输入中进行区分。它学习了两个输入之间的相似之处。
为机器学习应用程序学习一个好的特征的过程可能在计算上非常昂贵，并且在数据很少的情况下可能会变得困难。一个典型的例子就是一次学习设置，在这种情况下，我们必须仅给出每个新类的一个示例，就可以正确的做出预测。在本文中，我们探索了一种学习孪生神经网络的方法，该方法采用独特的结构自然对输入之间的相似性进行排名。一旦网络被调整好，我们就可以利用强大的判别功能，将网络的预测能力不仅用于新数据，而且适用于未知分布中的全新类别。使用卷积架构，我们可以在单次分类任务上获得近乎最先进的性能，从而超过其他深度学习模型的强大结果。
人类展现出强大的获取和识别新模式的能力。特别是，我们观察到，当受到刺激时，人们似乎能够快速理解新概念，然后在将来的感知中认识到这些概念的变化（Lake等，2011）。机器学习已成功用于各种应用程序中的最先进性能，例如Web搜索，垃圾邮件检测，字幕生成以及语音和图像识别。但是，当被迫对几乎没有监督信息的数据进行预测时，这些算法通常会崩溃。我们希望归纳这些不熟悉的类别，而无需进行大量的重新培训，由于数据有限或在在线预测设置（例如网络检索）中，重新培训可能即昂贵又不可能。
图1：使用Omniglot 数据集进行20次单发分类任务的示例。单独的测试图像显示在29张图像的网格上方，代表我们可以为测试图像选择的可能看不见的类型。这20张图片是我们每个类别中唯一已知的示例。
一个特别有趣的任务是在这样的限制下进行分类：我们可能只观察每个可能类的单一示例。这杯称为单次学习，这是我们在该工作中提出的模型的主要重点（Fei-Feiet等，2006；Lake等，2011）。这应该与零散学习区分开来，在零散学习中，模型无法查看目标类别中的任何示例（Palatucci等，2009）。
通过开发特定领域的功能或推理程序可以一直解决一次性学习的问题，这些功能或推理程序具有针对目标任务的高度区分性。结果，结合了这些方法的系统在类似情况下往往会表现出色，但无法提供可应用于其他类似问题的可靠解决方案。在本文中，我们提出了一种新颖的方法，该方法可以限制输入结构的假设，同时自动获取使模型能够成功地从几个示例中成功推广的特征。我们建立在深度学习框架的基础上，该框架使用多层非线性来捕获不变性以在输入空间中进行变换，通常是通过利用具有许多参数的模型，然后使用大量数据来防止过度拟合（Bengio，2009；Hinton等，2006）。这些功能非常强大，因为我们可以在不强加先验的情况下学习他们，尽管学习算法本身的成本可能很高。