当训练数据集只包含有限数量的案例时，我们应该如何训练一个 CNN 模型，并且训练好的模型应该预测其他几个案例的类别（标签），这是以前没有见过的？

假设有隐藏的独立特征描述在以前看到的数据集案例中重复的标签。

例如，假设我们想要训练一个模型来处理运动时间序列信号，以便它可以预测某种活动（标签），并且我们有很长的运动信号（例如小时）记录，用于在各种不同的人（例如 30）类型的活动（例如 5），我们可以说这些信号带有三种类型的隐藏特征：

1. 噪声特征：每个人/活动之间的共同特征
2. 案例特征：主要与人相关的特征
3. 类特征：主要与活动相关的特征

我们希望训练模型，使其主要学习Class-features并消除第一种和第二种类型的特征。

在传统类型的监督学习中，CNN 学习数据集如何表示它们的所有特征。在我的测试中，模型很好地学习了这 30 个人的活动，但它只能随机预测新人（即 20% 的成功率）。过拟合？

似乎有三个直接的解决方法：

1. 提取class-features和使用浅分类器。
2. 通过记录其他人的信号来增加数据集的范围：在某些情况下它可能会变得如此昂贵或不可能。
3. 信号增强：通过增强信号使其不改变Class-features，并使增强Case-features。在我看来，这比第一种解决方法更难。

这类问题还有其他解决方法吗？

例如要使用的特定类型的训练，学习模型class-features在类变化期间不同的情况如何相似地遵循，消除case-features因情况而异的情况。

对不起，很长的问题！