---
title: "原型網路（Prototypical Networks）"
slug: prototypical-networks
language: zh-TW
source: https://aiterms.tw/terms/prototypical-networks
updated_at: 2026-07-30
tags: [度量學習, 少樣本學習, 距離函數, 無梯度推論]
ipas_term: false
---

# 原型網路（Prototypical Networks）

基於度量的少樣本學習方法，透過計算支持樣本的類別原型（均值），以距離判斷查詢樣本的類別。

## 完整說明

原型網路（Prototypical Networks）由 Jake Snell 等人於 2017 年提出，是度量學習在少樣本分類中的經典應用。其核心思想是：對每個類別的支持樣本計算特徵空間的平均值（原型），然後透過計算查詢樣本與各類別原型的距離，以最近鄰分類。與需要在每個新任務上優化分類器的方法不同，原型網路無需新增參數或顯式優化，只需提取特徵再計算相似度。

## 常見問題

### 為什麼原型網路計算類別原型時用平均值而不是其他統計量？

平均值作為原型的選擇既簡潔又在數學上有理。從概率角度，若假設每個類別的樣本獨立同分布（i.i.d.）來自某個分佈，那麼樣本均值是該分佈均值的最大似然估計。從最小化方差的角度，樣本均值也是使類別內點到該點距離平方和最小的點。當支持集樣本數較多時，平均值是穩定的統計量；但當 K 很小（1-5 shot）時，單個噪音樣本的影響會相對放大。這也是為什麼後續研究提出了使用中位數、加權平均或多原型的改進方法。選擇平均值的深層原因是在少樣本設定中尋求計算簡潔性與統計穩定性的平衡。

### 原型網路能處理多標籤分類或不平衡的類別分布嗎？

標準原型網路設計用於單標籤分類，每個樣本只屬於一個類別。對於多標籤問題，需要修改：可為每個標籤單獨訓練原型網路（Binary Relevant 方法），或設計聯合特徵空間使多個原型同時激活。至於類別不平衡，原型網路本身對不平衡不敏感，因為分類決策基於距離而非概率校準。若支持集中不同類別的樣本數不等（K_1 ≠ K_2），簡單平均可能被樣本多的類別主導；解決方案是使用加權平均或損失函數中加入類別權重。實務上，若類別極度不平衡，建議搭配類別權重或採樣策略。

### 原型網路在實際部署中相比基於梯度的元學習有什麼優勢？

原型網路最大的優勢是推論速度快且無需梯度計算。給定預訓練的特徵提取器，對新任務的適應只需提取支持集的特徵、計算均值、再計算距離：整個過程是向前傳播 + 簡單數值計算，無需反向傳播。相比 MAML 需要在新任務上執行多步梯度更新，原型網路的推論時間通常快 100 倍以上。另一個優勢是它對噪音標註相對魯棒，因為壞的支持樣本只是拉動原型位置一點點，而不像基於梯度的方法會產生過大的梯度。然而，若新任務與訓練任務分布有較大偏移，梯度優化方法（MAML）可能適應能力更強。實務選擇往往取決於『對推論延遲的容忍度』和『任務分布穩定性』。

---

來源：https://aiterms.tw/terms/prototypical-networks
快查頁：https://aiterms.tw/terms/prototypical-networks
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-prototypical-networks