---
title: "關係網路（Relation Networks）"
slug: relation-networks
language: zh-TW
source: https://aiterms.tw/terms/relation-networks
updated_at: 2026-06-26
tags: [神經網路距離, 度量學習, 可學習相似度, 少樣本分類]
ipas_term: false
---

# 關係網路（Relation Networks）

學習查詢樣本與支持樣本之間的相似度函數，透過神經網路端到端預測樣本間的關係。

## 完整說明

關係網路（Relation Networks）由 Sung 等人於 2018 年提出，是度量學習在少樣本分類中的進一步深化。不同於原型網路的固定距離度量或匹配網路的簡單注意力，關係網路使用一個可訓練的神經網路來學習查詢樣本與支持樣本之間的相似度（關係），以此進行分類決策。這種學習距離函數的方式極大提升了模型的靈活性和表示能力。

## 常見問題

### 為什麼要把特徵拼接後再放入關係網路，而不是直接計算特徵的差異或其他操作？

拼接（Concatenation）相比差異或點積有重要優勢。第一，拼接保留了查詢樣本和支持樣本各自的完整資訊，而差異會丟失信息（如 f(q) - f(s) 無法區分 f(q)=10 f(s)=5 和 f(q)=5 f(s)=0）。第二，神經網路對拼接特徵的擬合能力更強，可學習更複雜的非線性相似度關係。例如，若兩張圖都是「紅色」，拼接後的特徵會包含「兩者都有紅色頻道」的資訊，關係網路可學會這是一個積極信號；而簡單的差異或點積會難以捕捉。第三，實驗證明拼接的設計在少樣本分類上性能最優。當然，拼接會增加特徵維度（從 d 到 2d），計算複雜度也增加，這是一個權衡。

### 關係網路相比 MAML 在少樣本分類上性能如何？

在 miniImageNet 5-way 1-shot 基準上，關係網路（ResNet-64 特徵 + 小型關係網路）能達到約 99.6%，略優於 MAML 的 99.5%。但這個差異在統計上很小，不同實驗設定（資料增強、超參數等）會影響相對排名。關係網路的優勢在於：無需多步梯度更新（推論快），特別是在 few-shot 設定（1-5 shot）下性能穩定。MAML 的優勢在於：更多的訓練信號（內層梯度步數可調），在支持樣本數增加時泛化能力更好。實務上，若延遲要求嚴格或支持樣本很少（1-2 shot），關係網路更合適；若有計算預算且支持樣本相對充足（5-10 shot），MAML 可能更優。

### 如何設計關係網路的架構以避免過擬合？

關係網路在少樣本設定中過擬合風險明顯，因為可學習參數相對較多而訓練樣本極少。緩解策略包括：第一，關係網路使用輕量級架構（如 2-3 層 MLP 或簡單 CNN），限制參數量；第二，採用強力的正則化（L2、Dropout、Batch Norm），尤其是在關係網路層；第三，使用資料增強（圖像變換、Mixup 等）擴充訓練樣本；第四，在元訓練中採用適當的任務採樣策略，確保訓練任務的多樣性；第五，早停（Early Stopping），監控驗證精度；第六，對特徵提取器（編碼器）使用預訓練初始化，減少從零開始學習的難度。實驗表明，這些策略結合使用能有效降低過擬合，使關係網路的性能接近甚至超過更複雜的方法。

---

來源：https://aiterms.tw/terms/relation-networks
快查頁：https://aiterms.tw/terms/relation-networks
最後更新：2026/06/26
深度解說：https://aiterms.tw/learning/what-is-relation-networks