论文主要工作： 本文提出带间隔的小样本学习， 提升了所学习嵌入表示的质量。 为引入间隔， 本文根据小样本场景特点提出了多路对比损失， 使得小样本学习模型可以学习到一个更加具有判别性的度量空间，同时泛化误差可以减小。带间隔的小样本学习是一个通用的框架，可以同各种基于度量的小样本学习模型结合。 本文将带间隔的小样本学习引入到两种已有模型中，分别是原型网络和匹配网络。 另外， 数据的分布往往都有内在结构，现有的基于度量的小样本学习算法在分类时没有考虑数据分布的特性， 阻碍了算法的效果。 本文使用基于图