传统的监督学习方法通常需要大量标注数据来进行模型训练,但是在很多实际的机器学习任务上,收集并标注大规模数据集非常困难。为此,如何利用小规模的数据来进行有效的模型训练便成为当前机器学习研究重点关注的、亟待解决的问题。在此背景下,本文针对数据受限情况下的小样本算法展开研究,重点关注利用数据增广在额外的无标签数据上学到具有泛化性的先验知识以及更高效地扩大训练数据规模,并提出创新的方法。本文的主要工作如下:1.提出了一种基于分离增广的无监督小样本学习框架ULDA。针对无监督表征学习如何利用增广方法得到更有效模型的问题,本文提出了基于分离增广的无监督小样本学习框架ULDA,即采用分离的数据增广方法强化通过数据增广构建的小样本训练任务内部的差异性。同时,本文提出了一种新的数据增广方法DSTIM来进一步强化不同视图在分布上的差异。在多个无监督小样本学习任务上,本方法均取得了不错的效果。2.提出了将域增广与知识解耦结合的无监督跨域小样本学习算法FewNorm。FewNorm通过数据增广扩大无监督数据上学到的知识空间,并通过衡量源域训练数据以及目标域少量标记样本在分布统计量上的差异的方式,对模型每一层的特征在不同通道上进行解耦,以提升模型迁移能力。整个FewNorm模块可以替换掉当前网络的归一化层,并且不引入太多的计算复杂度。实验验证了本文所提方法的有效性。3.提出了一种用于小样本学习的自动数据增广框架DeepAugNet。本文将搜索最佳数据增广方式的过程建模为序列决策问题,并提出采用强化学习探索增广每张图片后能给模型带来最大收益的自动数据增广框架DeepAugNet。在此框架中,DeepAugNet可以将数据增广模型和任务模型的训练结合起来,并可采用端到端的方式同时对其进行优化。实验验证了 DeepAugNet在各种小规模数据集上的有效性。