信息技術(shù) 人工智能 小樣本機(jī)器學(xué)習(xí)樣本量和算法要求-編制說(shuō)明

一、工作概況

（一）產(chǎn)品和行業(yè)發(fā)展情況

小樣本機(jī)器學(xué)習(xí)算法是人工智能領(lǐng)域一個(gè)重要的研究方向。近年

來(lái)，在機(jī)器學(xué)習(xí)領(lǐng)域中，隨著更多應(yīng)用場(chǎng)景的涌現(xiàn)，我們?cè)絹?lái)越面臨

著樣本數(shù)量不足的問(wèn)題，因此，小樣本機(jī)器學(xué)習(xí)算法成為了一個(gè)重要

的研究方向。

目前對(duì)于小樣本機(jī)器學(xué)習(xí)問(wèn)題，主要有兩類方法：第一類方法

是直接基于有監(jiān)督學(xué)習(xí)的方法，可以做基于實(shí)例的學(xué)習(xí)，比如KNN，

以及非參數(shù)方法；第二個(gè)是基于遷移學(xué)習(xí)的方法，是指有其他數(shù)據(jù)源

時(shí)，利用這些輔助數(shù)據(jù)集去做遷移學(xué)習(xí)，大體上可以被分為

meta-learning和metric-learning。Meta-learning從數(shù)據(jù)中學(xué)習(xí)一種泛化

的表示，這種泛化的表示可以被直接用于目標(biāo)數(shù)據(jù)上，

Metric-learning則是從數(shù)據(jù)源中構(gòu)建一個(gè)空間。除了理論研究外，小

樣本機(jī)器學(xué)習(xí)也被廣泛用于工程實(shí)踐當(dāng)中，有效解決實(shí)際應(yīng)用中樣本

匱乏的問(wèn)題。

（二）標(biāo)準(zhǔn)情況

業(yè)界缺少對(duì)小樣本機(jī)器學(xué)習(xí)算法可靠性、可移植性、效率等的系

統(tǒng)性評(píng)估方法，一定程度上影響著小樣本機(jī)器學(xué)習(xí)的廣泛應(yīng)用和技術(shù)

發(fā)展。因此，本標(biāo)準(zhǔn)規(guī)定了小樣本機(jī)器學(xué)習(xí)算法在不同場(chǎng)景情況下的

樣本量要求以及算法的評(píng)價(jià)指標(biāo)，描述了評(píng)價(jià)指標(biāo)量化方法。

本標(biāo)準(zhǔn)填補(bǔ)了國(guó)家和行業(yè)標(biāo)準(zhǔn)的空白，對(duì)促進(jìn)小樣本機(jī)器學(xué)習(xí)技

2

術(shù)提升具有較強(qiáng)的引領(lǐng)作用。本標(biāo)準(zhǔn)對(duì)推進(jìn)國(guó)內(nèi)小樣本機(jī)器學(xué)習(xí)應(yīng)用

具有重要意義。

（三）任務(wù)來(lái)源

2018年9月14日，中國(guó)電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會(huì)下達(dá)2018年第

四季度第一批團(tuán)體標(biāo)準(zhǔn)，擬研制《信息技術(shù)人工智能小樣本機(jī)器學(xué)

習(xí)樣本量和算法要求》相關(guān)標(biāo)準(zhǔn)。本標(biāo)準(zhǔn)為自主制定標(biāo)準(zhǔn)，計(jì)劃編號(hào)

為CESA-2018-4-001，歸口單位為中國(guó)電子技術(shù)標(biāo)準(zhǔn)化研究院，由中

國(guó)電子科技集團(tuán)電子科學(xué)研究院牽頭組織編制。

（四）主要工作過(guò)程

按照國(guó)家人工智能總體組面向社會(huì)征集人工智能領(lǐng)域國(guó)家標(biāo)準(zhǔn)

的需求，標(biāo)準(zhǔn)牽頭單位組織專家和相關(guān)單位成立了標(biāo)準(zhǔn)編制組。標(biāo)準(zhǔn)

編制組成員查閱國(guó)內(nèi)外相關(guān)資料，在前期項(xiàng)目研究、文獻(xiàn)資料分析和

基礎(chǔ)調(diào)研的基礎(chǔ)上，牽頭單位召開了多次會(huì)議，討論并確定了開展標(biāo)

準(zhǔn)編制工作的原則、程序、步驟和方法，最終形成文本初稿。

2018年9月13日，召開立項(xiàng)論證會(huì)議，對(duì)《信息技術(shù)人工智能

小樣本機(jī)器學(xué)習(xí)樣本量和算法要求》進(jìn)行了立項(xiàng)評(píng)審，與會(huì)專家對(duì)于

標(biāo)準(zhǔn)立項(xiàng)資格進(jìn)行了評(píng)定并就現(xiàn)已完成的工作給予修改建議。會(huì)后，

中國(guó)電子科技集團(tuán)電子科學(xué)研究院就此次專家的反饋建議聯(lián)合起草

單位進(jìn)行標(biāo)準(zhǔn)草案的修改工作，面向全國(guó)人工智能領(lǐng)域的領(lǐng)軍企業(yè)、

研究院所、高校征集修改意見，并于10月15日組織召開標(biāo)準(zhǔn)編制會(huì)

議，會(huì)上就標(biāo)準(zhǔn)中的框架和內(nèi)容進(jìn)行討論與分工，會(huì)后兩周內(nèi)各單位

返回修改意見，并由中國(guó)電子科技集團(tuán)電子科學(xué)研究院與中國(guó)電子技

3

術(shù)標(biāo)準(zhǔn)化研究院共同整理與修訂。2018年11月7日，中國(guó)電子科技

集團(tuán)電子科學(xué)研究院再次牽頭召開關(guān)于此標(biāo)準(zhǔn)的編制會(huì)議，就各單位

所提建議進(jìn)行討論并對(duì)現(xiàn)有問(wèn)題進(jìn)行修正，并于11月12日向中國(guó)電

子技術(shù)標(biāo)準(zhǔn)化研究院提交標(biāo)準(zhǔn)草案。

二、標(biāo)準(zhǔn)的制定原則

本標(biāo)準(zhǔn)的制定工作遵循“統(tǒng)一性、協(xié)調(diào)性、適用性、一致性、規(guī)

范性”的原則，本著先進(jìn)性、科學(xué)性、合理性和可操作性的原則，按

照GB/T1.1-2009《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)的結(jié)構(gòu)和編寫》

的要求進(jìn)行編寫，以科學(xué)技術(shù)和實(shí)驗(yàn)數(shù)據(jù)為依據(jù)，結(jié)合產(chǎn)品實(shí)際生產(chǎn)

情況，經(jīng)過(guò)科學(xué)研究而制定。

三、主要技術(shù)內(nèi)容說(shuō)明

（一）標(biāo)準(zhǔn)主要內(nèi)容和適用范圍

本標(biāo)準(zhǔn)為團(tuán)體標(biāo)準(zhǔn)，主要內(nèi)容包含：范圍、規(guī)范性引用文件、術(shù)

語(yǔ)和定義、縮略語(yǔ)、小樣本機(jī)器學(xué)習(xí)樣本量和算法要求。

本標(biāo)準(zhǔn)規(guī)定了小樣本機(jī)器學(xué)習(xí)算法在不同場(chǎng)景情況下的樣本量

及算法的要求。

本標(biāo)準(zhǔn)適用于小樣本量機(jī)器學(xué)習(xí)相關(guān)產(chǎn)品。小樣本機(jī)器學(xué)習(xí)樣本

量和算法要求包含算法要求描述項(xiàng)、算法要求量化方法、樣本量和算

法要求三個(gè)部分。

（二）參考文獻(xiàn)和資料

（1）GB/T1.1-2009《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)的結(jié)構(gòu)和

編寫》

4

（2）ISO3534-1:2006《統(tǒng)計(jì)學(xué)詞匯及符號(hào)第1部分：一般統(tǒng)

計(jì)術(shù)語(yǔ)與用于概率的術(shù)語(yǔ)》

（3）WangYX,HebertM.Learningtolearn:Modelregression

networksforeasysmallsamplelearning[C].European

ConferenceonComputerVision.Springer,Cham,2016:

616-634.

（4）YangFSY,ZhangL,XiangT,etal.Learningtocompare:

Relationnetworkforfew-shotlearning[C].Proc.oftheIEEE

ConferenceonComputerVisionandPatternRecognition

(CVPR),SaltLakeCity,UT,USA.2018.

（5）KeshariR,VatsaM,SinghR,etal.LearningStructureand

StrengthofCNNFiltersforSmallSampleSizeTraining[C].

ProceedingsoftheIEEEConferenceonComputerVisionand

PatternRecognition.2018:9349-9358.

（6）GarciaV,BrunaJ.Few-shotlearningwithgraphneural

networks[J].arXivpreprintarXiv:1711.04043,2017.

（7）WangP,LiuL,ShenC,etal.Multi-attentionnetworkforone

shotlearning[C].2017IEEEconferenceoncomputervision

andpatternrecognition,CVPR.2017:22-25.

（8）RenM,TriantafillouE,RaviS,etal.Meta-learningfor

semi-supervisedfew-shotclassification[J].arXivpreprint

arXiv:1803.00676,2018.

5

（9）KochG,ZemelR,SalakhutdinovR.Siameseneuralnetworks

forone-shotimagerecognition[C].ICMLDeepLearning

Workshop.2015,2.

（10）VinyalsO,BlundellC,LillicrapT,etal.Matching

networksforoneshotlearning[C].AdvancesinNeural

InformationProcessingSystems.2016:3630-3638.

（11）SnellJ,SwerskyK,ZemelR.Prototypicalnetworksfor

few-shotlearning[C].AdvancesinNeuralInformation

ProcessingSystems.2017:4077-4087.

（12）SantoroA,BartunovS,BotvinickM.Meta-learningwith

memory-augmentedneuralnetworks[C].International

conferenceonmachinelearning.2016:1842-1850.

（13）譚東寧,譚東漢.小樣本機(jī)器學(xué)習(xí)理論:統(tǒng)計(jì)學(xué)習(xí)理論

[J].南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版）,2001,25(1):108-112.

（三）要求

本標(biāo)準(zhǔn)立足于小樣本機(jī)器學(xué)習(xí)在實(shí)際應(yīng)用中的關(guān)鍵問(wèn)題，對(duì)樣本

量和算法評(píng)價(jià)指標(biāo)進(jìn)行規(guī)范，針對(duì)計(jì)算機(jī)視覺、智能語(yǔ)音、語(yǔ)義理解

和智能表數(shù)據(jù)分析所包含的技術(shù)領(lǐng)域進(jìn)行探究，根據(jù)實(shí)踐經(jīng)驗(yàn)制定指

標(biāo)要求。

（四）指標(biāo)制定說(shuō)明

相關(guān)指標(biāo)的制定是基于行業(yè)內(nèi)相關(guān)廠家的實(shí)施論證提出。本標(biāo)準(zhǔn)

的指標(biāo)要求為參考意義的，不同的應(yīng)用場(chǎng)景下的指標(biāo)要求會(huì)依據(jù)行業(yè)

6

實(shí)施情況具體調(diào)整。

四、預(yù)期達(dá)到的社會(huì)效益、對(duì)產(chǎn)業(yè)發(fā)展的作用等情況

本標(biāo)準(zhǔn)的編制遵循科學(xué)性和對(duì)人工智能領(lǐng)域的適用性原則，填補(bǔ)

了現(xiàn)行國(guó)內(nèi)標(biāo)準(zhǔn)在人工智能小樣本機(jī)器學(xué)習(xí)的空白，促進(jìn)小樣本機(jī)器

學(xué)習(xí)的有序發(fā)展。

五、在標(biāo)準(zhǔn)體系中的位置，與現(xiàn)行相關(guān)法律、法規(guī)、規(guī)章

及標(biāo)準(zhǔn)，特別是強(qiáng)制性標(biāo)準(zhǔn)的協(xié)調(diào)性

該標(biāo)準(zhǔn)在軟件和信息技術(shù)服務(wù)標(biāo)準(zhǔn)體系中屬于“軟件技術(shù)”-“人

工智能”-“XXX”標(biāo)準(zhǔn)，體系編號(hào)為2.13.X。

六、重大分歧意見的處理經(jīng)過(guò)和依據(jù)

無(wú)重大分歧。

七、標(biāo)準(zhǔn)性質(zhì)的建議說(shuō)明

本標(biāo)準(zhǔn)為推薦性標(biāo)準(zhǔn)，旨在為小樣本機(jī)器學(xué)習(xí)的樣本數(shù)量和算法

評(píng)價(jià)指標(biāo)提供規(guī)范性依據(jù)，但不強(qiáng)制執(zhí)行。

八、貫徹標(biāo)準(zhǔn)的要求和措施建議

（一）嚴(yán)把團(tuán)體標(biāo)準(zhǔn)制定質(zhì)量

將向第三方機(jī)構(gòu)申請(qǐng)開展團(tuán)體標(biāo)準(zhǔn)化良好行為評(píng)價(jià)，提高團(tuán)體標(biāo)

準(zhǔn)供給質(zhì)量。

（二）積極推進(jìn)團(tuán)體標(biāo)準(zhǔn)的試點(diǎn)工作

鼓勵(lì)行業(yè)協(xié)會(huì)、產(chǎn)業(yè)聯(lián)盟、企業(yè)、高校、標(biāo)準(zhǔn)化組織機(jī)構(gòu)之間開

展廣泛的交流與合作，為團(tuán)體標(biāo)準(zhǔn)的試點(diǎn)工作提供強(qiáng)有力的技術(shù)支撐

和智力支撐。

7

鼓勵(lì)各部門、各地方在各級(jí)獎(jiǎng)項(xiàng)評(píng)選、文章審核、檢驗(yàn)檢測(cè)、認(rèn)

證認(rèn)可、招投標(biāo)等工作中應(yīng)用本標(biāo)準(zhǔn)。

（三）提升團(tuán)體標(biāo)準(zhǔn)公信力和影響力

采取諸如國(guó)際圖書館協(xié)會(huì)與機(jī)構(gòu)聯(lián)合會(huì)的標(biāo)準(zhǔn)開放獲取政策，

確保了團(tuán)標(biāo)能夠最大范圍地推廣使用。通過(guò)自律公約的方式推動(dòng)

團(tuán)體標(biāo)準(zhǔn)的實(shí)施。

九、廢止或代替現(xiàn)行相關(guān)標(biāo)準(zhǔn)的建議

無(wú)

十、其他應(yīng)予說(shuō)明的事項(xiàng)

無(wú)

《信息技術(shù)人工智能小樣本機(jī)器學(xué)習(xí)樣本量和算法要求》

團(tuán)體標(biāo)準(zhǔn)編制工作組

2018年11月19日

8

中國(guó)電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會(huì)團(tuán)體標(biāo)準(zhǔn)

《信息技術(shù)人工智能小樣本機(jī)器學(xué)習(xí)

樣本量和算法要求》

編制說(shuō)明

《信息技術(shù)人工智能小樣本機(jī)器學(xué)習(xí)

樣本量和算法要求》

標(biāo)準(zhǔn)工作組

2018年11月

一、工作概況

（一）產(chǎn)品和行業(yè)發(fā)展情況

小樣本機(jī)器學(xué)習(xí)算法是人工智能領(lǐng)域一個(gè)重要的研究方向。近年

來(lái)，在機(jī)器學(xué)習(xí)領(lǐng)域中，隨著更多應(yīng)用場(chǎng)景的涌現(xiàn)，我們?cè)絹?lái)越面臨

著樣本數(shù)量不足的問(wèn)題，因此，小樣本機(jī)器學(xué)習(xí)算法成為了一個(gè)重要

的研究方向。

目前對(duì)于小樣本機(jī)器學(xué)習(xí)問(wèn)題，主要有兩類方法：第一類方法

是直接基于有監(jiān)督學(xué)習(xí)的方法，可以做基于實(shí)例的學(xué)習(xí)，比如KNN，

以及非參數(shù)方法；第二個(gè)是基于遷移學(xué)習(xí)的方法，是指有其他數(shù)據(jù)源

時(shí)，利用這些輔助數(shù)據(jù)集去做遷移學(xué)習(xí)，大體上可以被分為

meta-learning和metric-learning。Meta-learning從數(shù)據(jù)中學(xué)習(xí)一種泛化

的表示，這種泛化的表示可以被直接用于目標(biāo)數(shù)據(jù)上，

Metric-learning則是從數(shù)據(jù)源中構(gòu)建一個(gè)空間。除了理論研究外，小

樣本機(jī)器學(xué)習(xí)也被廣泛用于工程實(shí)踐當(dāng)中，有效解決實(shí)際應(yīng)用中樣本

匱乏的問(wèn)題。

（二）標(biāo)準(zhǔn)情況

業(yè)界缺少對(duì)小樣本機(jī)器學(xué)習(xí)算法可靠性、可移植性、效率等的系

統(tǒng)性評(píng)估方法，一定程度上影響著小樣本機(jī)器學(xué)習(xí)的廣泛應(yīng)用和技術(shù)

發(fā)展。因此，本標(biāo)準(zhǔn)規(guī)定了小樣本機(jī)器學(xué)習(xí)算法在不同場(chǎng)景情況下的

樣本量要求以及算法的評(píng)價(jià)指標(biāo)，描述了評(píng)價(jià)指標(biāo)量化方法。

本標(biāo)準(zhǔn)填補(bǔ)了國(guó)家和行業(yè)標(biāo)準(zhǔn)的空白，對(duì)促進(jìn)小樣本機(jī)器學(xué)習(xí)技

2

術(shù)提升具有較強(qiáng)的引領(lǐng)作用。本標(biāo)準(zhǔn)對(duì)推進(jìn)國(guó)內(nèi)小樣本機(jī)器學(xué)習(xí)應(yīng)用

具有重要意義。

（三）任務(wù)來(lái)源

2018年9月14日，中國(guó)電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會(huì)下達(dá)2018年第

四季度第一批團(tuán)體標(biāo)準(zhǔn)，擬研制《信息技術(shù)人工智能小樣本機(jī)器學(xué)

習(xí)樣本量和算法要求》相關(guān)標(biāo)準(zhǔn)。本標(biāo)準(zhǔn)為自主制定標(biāo)準(zhǔn)，計(jì)劃編號(hào)

為CESA-2018-4-001，歸口單位為中國(guó)電子技術(shù)標(biāo)準(zhǔn)化研究院，由中

國(guó)電子科技集團(tuán)電子科學(xué)研究院牽頭組織編制。

（四）主要工作過(guò)程

按照國(guó)家人工智能總體組面向社會(huì)征集人工智能領(lǐng)域國(guó)家標(biāo)準(zhǔn)

的需求，標(biāo)準(zhǔn)牽頭單位組織專家和相關(guān)單位成立了標(biāo)準(zhǔn)編制組。標(biāo)準(zhǔn)

編制組成員查閱國(guó)內(nèi)外相關(guān)資料，在前期項(xiàng)目研究、文獻(xiàn)資料分析和

基礎(chǔ)調(diào)研的基礎(chǔ)上，牽頭單位召開了多次會(huì)議，討論并確定了開展標(biāo)

準(zhǔn)編制工作的原則、程序、步驟和方法，最終形成文本初稿。

2018年9月13日，召開立項(xiàng)論證會(huì)議，對(duì)《信息技術(shù)人工智能

小樣本機(jī)器學(xué)習(xí)樣本量和算法要求》進(jìn)行了立項(xiàng)評(píng)審，與會(huì)專家對(duì)于

標(biāo)準(zhǔn)立項(xiàng)資格進(jìn)行了評(píng)定并就現(xiàn)已完成的工作給予修改建議。會(huì)后，

中國(guó)電子科技集團(tuán)電子科學(xué)研究院就此次專家的反饋建議聯(lián)合起草

單位進(jìn)行標(biāo)準(zhǔn)草案的修改工作，面向全國(guó)人工智能領(lǐng)域的領(lǐng)軍企業(yè)、

研究院所、高校征集修改意見，并于10月15日組織召開標(biāo)準(zhǔn)編制會(huì)

議，會(huì)上就標(biāo)準(zhǔn)中的框架和內(nèi)容進(jìn)行討論與分工，會(huì)后兩周內(nèi)各單位

返回修改意見，并由中國(guó)電子科技集團(tuán)電子科學(xué)研究院與中國(guó)電子技

3

術(shù)標(biāo)準(zhǔn)化研究院共同整理與修訂。2018年11月7日，中國(guó)電子科技

集團(tuán)電子科學(xué)研究院再次牽頭召開關(guān)于此標(biāo)準(zhǔn)的編制會(huì)議，就各單位

所提建議進(jìn)行討論并對(duì)現(xiàn)有問(wèn)題進(jìn)行修正，并于11月12日向中國(guó)電

子技術(shù)標(biāo)準(zhǔn)化研究院提交標(biāo)準(zhǔn)草案。

二、標(biāo)準(zhǔn)的制定原則

本標(biāo)準(zhǔn)的制定工作遵循“統(tǒng)一性、協(xié)調(diào)性、適用性、一致性、規(guī)

范性”的原則，本著先進(jìn)性、科學(xué)性、合理性和可操作性的原則，按

照GB/T1.1-2009《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)的結(jié)構(gòu)和編寫》

的要求進(jìn)行編寫，以科學(xué)技術(shù)和實(shí)驗(yàn)數(shù)據(jù)為依據(jù)，結(jié)合產(chǎn)品實(shí)際生產(chǎn)

情況，經(jīng)過(guò)科學(xué)研究而制定。

三、主要技術(shù)內(nèi)容說(shuō)明

（一）標(biāo)準(zhǔn)主要內(nèi)容和適用范圍

本標(biāo)準(zhǔn)為團(tuán)體標(biāo)準(zhǔn)，主要內(nèi)容包含：范圍、規(guī)范性引用文件、術(shù)

語(yǔ)和定義、縮略語(yǔ)、小樣本機(jī)器學(xué)習(xí)樣本量和算法要求。

本標(biāo)準(zhǔn)規(guī)定了小樣本機(jī)器學(xué)習(xí)算法在不同場(chǎng)景情況下的樣本量

及算法的要求。

本標(biāo)準(zhǔn)適用于小樣本量機(jī)器學(xué)習(xí)相關(guān)產(chǎn)品。小樣本機(jī)器學(xué)習(xí)樣本

量和算法要求包含算法要求描述項(xiàng)、算法要求量化方法、樣本量和算

法要求三個(gè)部分。

（二）參考文獻(xiàn)和資料

（1）GB/T1.1-2009《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)的結(jié)構(gòu)和

編寫》

4

（2）ISO3534-1:2006《統(tǒng)計(jì)學(xué)詞匯及符號(hào)第1部分：一般統(tǒng)

計(jì)術(shù)語(yǔ)與用于概率的術(shù)語(yǔ)》

（3）WangYX,HebertM.Learningtolearn:Modelregression

networksforeasysmallsamplelearning[C].European

ConferenceonComputerVision.Springer,Cham,2016:

616-634.

（4）YangFSY,ZhangL,XiangT,etal.Learningtocompare:

Relationnetworkforfew-s