摘要
基于元学习的现有方法通过从基础类别的源域训练任务中学习元知识，来预测目标域测试任务中的新类别标签。然而，由于不同域之间可能存在较大的域差异，大多数现有方法在泛化到新类别时表现不佳。为解决这一问题，本文提出一种新型的对抗性特征增强（Adversarial Feature Augmentation, AFA）方法，以缩小少样本学习中的域间差距。该方法通过最大化域间差异来模拟特征分布的变化，实现特征增强。在对抗训练过程中，域判别器被训练以区分增强后的特征（视为未见域）与原始特征（视为已见域），同时最小化域间差异，从而获得最优的特征编码器。所提方法为即插即用模块，可轻松集成至基于元学习的现有少样本学习框架中。在九个数据集上的大量实验表明，与当前最优方法相比，该方法在跨域少样本分类任务中展现出显著优势。代码已开源，地址为：https://github.com/youthhoo/AFA_For_Few_shot_learning。