摘要
从少量样本中学习新任务仍然是机器学习领域的一个开放挑战。尽管在少样本学习方面取得了近期进展，但大多数方法依赖于有监督的预训练或基于标记元训练数据的元学习，无法应用于预训练数据未标记的情况。本研究提出了一种通过深度拉普拉斯特征映射（deep Laplacian eigenmaps）实现的无监督少样本学习方法。该方法通过将相似样本聚类在一起，从未标记的数据中学习表示，并可以通过在增强训练数据上的随机游走直观地解释。我们从理论上展示了深度拉普拉斯特征映射如何在无监督学习中避免表示塌陷，而无需显式比较正负样本。所提出的方法显著缩小了有监督和无监督少样本学习之间的性能差距。此外，在线性评估协议下，我们的方法也达到了与当前最先进的自监督学习方法相当的性能。