摘要
少样本分类是指在仅有少量标注样本的情况下，学习一个能够有效适应新类别的预测模型。为了解决这一具有挑战性的问题，元学习已成为一种流行的范式，倡导“学会适应”的能力。然而，最近的研究表明，即使没有元学习的简单学习策略也可能具有竞争力。本文进一步探讨了通过解决少样本学习分类器的基本高方差问题，可以显著超越当前的元学习技术。我们的方法包括设计一个深度网络集成以利用分类器的方差，并引入新的策略来促进网络之间的合作，同时鼓励预测多样性。我们在mini-ImageNet和CUB数据集上进行了评估，结果显示，即使通过蒸馏获得的单个网络也能达到最先进的性能。