التصنيف القليل العينات المستند إلى التعلم النقلية باستخدام خريطة النقل الأمثل من الفضاء الخفي المعالَج مسبقًا للشبكة العصبية الأساسية

ركّزت مسابقة MetaDL Challenge 2020 على مهام تصنيف الصور في بيئات قليلة الأمثلة (few-shot). تصف هذه الورقة المُقدّمة الثانية في المسابقة. يعتمد نهجنا للتعلم الميتا على تعديل توزيع الفئات في الفضاء الخفي الناتج عن شبكة أساسية (backbone network) لكل فئة، بهدف جعله يتبع توزيعًا طبيعيًا (Gaussian distribution) بشكل أفضل. وبعد هذه العملية التي نسميها خوارزمية تحويل الفضاء الخفي (Latent Space Transform)، يتم محاذاة مراكز الفئات بشكل تكراري باستخدام خوارزمية التوقع-التحديث (Expectation Maximisation) لاستغلال المعلومات المتوفرة في البيانات غير المُعلَّمة، والتي غالبًا ما تُزوَّد إلى جانب عدد قليل من الأمثلة المُعلَّمة. ولأداء هذه المهمة، نستخدم خريطة النقل الأمثل (optimal transport mapping) مع خوارزمية سينكورن (Sinkhorn algorithm). تُظهر التجارب أن هذا النهج يتفوّق على الدراسات السابقة، وكذلك على النماذج الأخرى المُختلفة من الخوارزمية، مثل خوارزمية K-أقرب جار (K-Nearest Neighbour)، ونماذج المزيج الغاوسي (Gaussian Mixture Models)، وغيرها.