Just for Life.

一些论文的笔记，不会写的很详细，只会列出核心思想和我认为的优缺点，miniImageNet中5-way，1-shot的准确率，不会详细解读每一篇论文。

1. Meta-Transfer Learning for Few-Shot Learning, CVPR, 2019
2. Adaptive Cross-Modal Few-shot Learning, NIPS, 2020
3. Meta-Learning of Neural Architectures for Few-Shot Learning, CVPR, 2020
4. Charting the Right Manifold: Manifold Mixup for Few-shot Learning, IEEE(WACV), 2020
5. A BASELINE FOR FEW-SHOT IMAGE CLASSIFICATION, ICL, 2020
6. Zero and Few Shot Learning with Semantic Feature Synthesis and Competitive Learning, IEEE transactions on pattern analysis and machine intelligence, 2020

Warning：优缺点仅代表个人意见。

今天读小样本的论文又遇到了重参数技巧，记得之前在 VAE 中也看到了它。遂来做一个归纳整理，了解重参数到底是什么，一般都用在什么背景下。

最近的生活像一团屎，我是一个棍子，开心了就搅动一下，不开心了就跟它一起呆着。经历了很多，一件一件来吧。

又来做小样本问题了，别问，问就是我也不知道，方向换来换去的。我看过 Life long learning，深度学习的聚类，大规模图划分（我只是感觉这几年算法岗很内卷，泡沫化严重。不管什么专业的，都可以来搞计算机或智能，门槛低但要求高，甚至跨专业来的还认为撕代码没用，这个行业一言难尽。

打开搜索引擎搜索核函数，都会发现 SVM 会一起出现。但是核函数是一种技巧，并不只限于 SVM。其实，核技巧是一个非常纯粹的数学方法，不应该一上来就扯上 SVM，也没必要。因为这个技巧不仅应用在SVM中，它解决了数据映射到高维空间之后点积的计算量过于复杂的问题。很多人啰啰嗦嗦说了一大堆，把原本很简单的东西搞的很复杂，甚至还在推 SVM 的公式，就像孔乙己问茴香豆的『茴』有几种写法一样的没意思。

继续啃算法，今天来看并查集。并查集是一种数据结构，可以跟踪一组元素，它们分布在几个不相交（非重叠）子集合中。 它也被称为不相交集数据结构。这是什么意思呢？例如，并查集数据结构可以计算当前输入分成几个不相交的组织，两个子节点是否位于同一组织内。

对我会做的甲级题目进行了分类整理，仅代表我个人的分类，不是很严谨。如有的题可以哈希，也可以 map；有的题是字符串的处理，但也涉及到了素数什么的。

此外，甲级以字符串处理、数组使用、数据精度为简单题目；借助结构体实现多条件排序，通常难度适中，就是排序规则有点复杂；而树、图涉及到的数据结构为中等难度的题，这类题目建议按类型刷，能够举一反三；30分的题为难度大的题目，涉及到动态规划和一些算法等，以我目前对算法的接触而言，我不太会那些。

• 20分：稍微复杂的编程应用，逻辑复杂，但不涉及数据结构；
• 25分：常见数据结构的应用，如树、图、链表等；
• 30分：有的会，大部分我不会，就放过了。

整体而言，不适合刚入门 OJ 的同学进行练手，用来熟练编程和掌握基本数据结构还是可以的。