摘要
少样本学习（Few-shot learning）旨在将基于基础数据集训练的模型迁移至未见过的新任务中，而这些新任务所涉及的类别在训练阶段从未出现过。然而，这种迁移常导致模型在新类别上的特征值在各通道间分布趋于均匀，从而给判断通道重要性带来了挑战。传统少样本学习方法通常采用余弦相似度、负欧氏距离等几何相似性度量来衡量两个特征之间的语义相关性。然而，在少样本学习场景下，即使特征具有较高的几何相似性，其语义含义也可能截然不同。本文证明，特征通道的重要性排序比几何相似性度量更能可靠地反映少样本学习中的语义关系。我们发现，仅在推理阶段将几何相似性度量替换为肯德尔等级相关系数（Kendall’s rank correlation），即可在多种方法和不同领域数据集上显著提升少样本学习的性能。此外，为解决肯德尔等级相关系数不可微的问题，我们提出了一种精心设计的可微分损失函数，用于元训练阶段。通过用可微的肯德尔等级相关系数替代传统的几何相似性度量，所提方法能够与众多现有少样本学习框架无缝集成，并为未来依赖几何相似性度量的先进方法提供兼容性支持。大量实验验证了基于等级相关性的方法的有效性，结果表明该方法在少样本学习任务中实现了显著的性能提升。