استغلال توزيع الميزات في التعلم القليل من الأمثلة القائم على النقل

يُعد تصنيف القليل من الأمثلة (Few-shot classification) مشكلةً صعبة نظرًا للاضطراب الناتج عن استخدام عدد قليل جدًا من العينات المُعلَّمة. في السنوات القليلة الماضية، تم اقتراح العديد من الطرق لحل هذه المشكلة، حيث أثبتت الطرق القائمة على النقل (transfer-based methods) كفاءةً عالية في الأداء. واتباعًا لهذا المسار، نقترح في هذه الورقة طريقة جديدة قائمة على النقل، تعتمد على خطوتين متتاليتين: 1) معالجة مسبقة لمتجهات الميزات بحيث تصبح أقرب إلى التوزيعات الشبيهة بالتوزيع الطبيعي (Gaussian-like)، و2) استغلال هذه المعالجة المسبقة باستخدام خوارزمية مستوحاة من نقل الأمثلة (optimal-transport inspired algorithm)، وذلك في حالات الإعدادات التحويلية (transductive settings). وباستخدام معايير رؤية قياسية، نثبت قدرة المنهجية المقترحة على تحقيق دقة متقدمة على مستوى العالم (state-of-the-art) عبر مختلف المجموعات البيانات، وبنية الشبكات العصبية (backbone architectures)، وأوضاع التصنيف القليل من الأمثلة.