什么是支撑集（Support Set）

支撑集（Support Set）概念概述

1. 基本定义
   支撑集是指在少样本学习（Few‑Shot Learning）或元学习（Meta‑Learning）任务中，提供给模型的少量带标签的样本集合。模型在看到支撑集后，需要快速适应并在同一任务的查询集（Query Set）上完成预测。支撑集的出现是为了解决“训练集与测试集类别不重叠、标注成本高”的情形。
2. 支撑集与训练集的区别
   • 训练集（Training Set）：规模大、类别固定，用于学习通用特征或初始化模型参数。
   • 支撑集（Support Set）：规模极小、类别在训练阶段未出现，仅在任务推理阶段提供少量标注，用于快速微调或直接推理。
   • 支撑集往往在每一次“episode”（训练或测试的一个小任务）中重新抽取，以模拟真实的少样本情境。
3. 典型使用场景
   • 原型网络（Prototypical Networks）：计算支撑集每类的原型向量，再依据原型与查询样本的距离进行分类。
   • 模型微调（Fine‑tuning）：在支撑集上对预训练模型的最后几层进行少量梯度更新（如 MAML、Meta‑OptNet）。
   • 跨模态任务：如少样本图像分割、医学影像诊断、语音识别等，都把支撑集视为提供少量标注的“参考”样本。
4. 支撑集的构造方式
   • 随机抽样：从大规模基类数据中随机抽取  类、每类  张标注样本，形成支撑集。
   • 任务模拟：在训练阶段通过 episodic training（任务式训练）不断生成支撑集‑查询集对，以逼近测试时的真实分布。
   • 领域特定：在医学、遥感等专业领域，支撑集往往由专家手工标注的少量病例或图像组成，强调“少量高质量”。
5. 支撑集的评价指标
   • 支撑集准确率（Support Set Accuracy, SSA）：在支撑集本身上评估模型的拟合程度，常用于检验模型是否过拟合支撑集。
   • 支撑集置信度（Support Set Confidence, SSC）：衡量支撑集内部样本聚类紧密度，为后续查询预测提供置信度参考。
6. 常见的 N‑way K‑shot 设定
   • 1‑way 1‑shot：仅有一个类别、一个样本，极端少样本情形。
   • 5‑way 5‑shot：常见的基准设置，支撑集包含 5 类、每类 5 张标注样本，总计 25 张。
   • 更大规模：如 20‑way 10‑shot，用于评估模型在更复杂任务下的适应能力。
7. 支撑集在整体学习流程中的位置

   预训练阶段（可选） → 任务抽取 → 构造支撑集 S 与查询集 Q
          ↓                         ↓
   元学习/原型学习/微调 → 在 S 上快速适应 → 在 Q 上评估/推理
   

   支撑集是连接“通用知识”（预训练）与“任务特定知识”（快速适应）的桥梁，使模型能够在仅有极少标注的情况下实现有效推断。

小结
支撑集（Support Set）是少样本学习中核心的“小型标注数据块”。它通过 N‑way K‑shot 的结构提供有限的类别信息，帮助模型在新任务上快速适应。支撑集的设计、抽样方式以及与查询集的配合，直接决定了少样本学习方法的效果和鲁棒性。