المتوسط الهندسي يحسن الخسارة في التعلم القليل الإطارات

التعلم القليل النموذجي (FSL) هو مهمة صعبة في مجال التعلم الآلي، تتطلب من النموذج إجراء تصنيف تمييزي باستخدام عدد قليل فقط من العينات المصنفة. في أدبيات التعلم القليل النموذجي، يتم تدريب النماذج العميقة بطريقة التعلم القياسي لتقديم مقياس في فضاء الخصائص يمكن تعميمه بشكل جيد لتصنيف عينات الفئات الجديدة؛ في هذا الفضاء، يمكن أن يُبنى تصنيف فعال حتى باستخدام عدد قليل من الأمثلة التدريبية المصنفة. في هذه الورقة البحثية، نقترح خسارة جديدة في التعلم القليل النموذجي تعتمد على \emph{المتوسط الهندسي} لدمج مقياس تمييزي في الخصائص العميقة. بخلاف الخسائر الأخرى مثل استخدام المتوسط الحسابي في الصيغة المستندة إلى softmax، فإن الطريقة المقترحة تستفيد من المتوسط الهندسي لتجميع العلاقات الزوجية بين العينات بهدف تعزيز المقياس التمييزي عبر الفئات. لا تقتصر الخسارة المقترحة على كونها بسيطة الصياغة فحسب، بل تم تحليلها أيضًا بطريقة نظرية شاملة لكشف خصائصها الإيجابية التي تناسب تعلم مقياس الخصائص في FSL. وفي التجارب التي أجريت على مهام تصنيف الصور القليلة النموذجياً، أنتجت الطريقة أداءً تنافسيًا بالمقارنة مع الخسائر الأخرى.