تحفيز توزيعات الميزات الأساسية إلى أقصى حد لتعلم قليل العينات الفعّال

تمثّل التصنيف بعينات قليلة مشكلة صعبة نظرًا للاضطراب الناتج عن استخدام عدد قليل من العينات المُصنّفة. في السنوات القليلة الماضية، تم اقتراح العديد من الطرق التي تسعى إلى نقل المعرفة المكتسبة من مهمة تم حلها سابقًا، وهي ما يُحقق غالبًا باستخدام مُستخرج ميزات مُدرّب مسبقًا. بالاستناد إلى هذا الاتجاه، نقترح في هذه الورقة طريقة جديدة تعتمد على نقل المعرفة، وتهدف إلى معالجة متجهات الميزات بحيث تصبح أقرب إلى توزيعات شبيهة بالتوزيع الغاوسي، مما يؤدي إلى زيادة الدقة. وفي حالة التعلم القليل بالتحوّل (transductive few-shot learning)، حيث تكون العينات غير المصنّفة في المجموعة الاختبارية متاحة أثناء التدريب، نقدّم أيضًا خوارزمية مُستوحاة من نظرية النقل الأمثل (optimal-transport) لتعزيز الأداء بشكل أكبر. باستخدام معايير معيارية في مجال الرؤية الحاسوبية، نُظهر قدرة المنهجية المقترحة على تحقيق دقة من الدرجة الأولى (state-of-the-art) عبر مختلف المجموعات البيانات، وبنية المعمارية الأساسية (backbone architectures)، وبيئات التعلم القليل.