摘要
无监督学习旨在从无标签数据中学习具有意义的表示，以捕捉数据的内在结构，并可将其迁移至下游任务。元学习（meta-learning）的目标则是学习一种跨任务的泛化能力，使得所学模型能够快速适应新任务，其精神与无监督学习具有共通之处：二者均致力于学习比从零开始学习更为高效、有效的学习机制。两者的核心区别在于，现有大多数元学习方法均为监督式，依赖于完整的标签信息。然而，获取用于元训练的标注数据集不仅成本高昂（需人工标注），且限制了其应用范围，仅限于预定义的任务分布。本文提出一种基于变分自编码器（Variational Autoencoder, VAE）与集合层面变分推断的系统性无监督元学习模型，命名为Meta-GMVAE。此外，我们引入高斯混合模型（Gaussian Mixture Model, GMM）作为先验分布，假设在随机采样的任务片段（episode）中，每一模态对应一个类别概念，并通过期望最大化（Expectation-Maximization, EM）算法进行优化。在此基础上，所学习的模型可用于下游的少样本分类任务：通过在支持集与查询集的潜在表示上执行半监督EM算法，获得任务特定的参数，并基于聚合后验概率对查询集样本进行标签预测。我们在Omniglot与Mini-ImageNet数据集上对模型进行了验证，评估其在下游少样本分类任务中的性能。实验结果表明，本模型在现有无监督元学习基线方法上取得了显著的性能提升，甚至在某些设置下超越了监督式MAML方法的表现。