Das Few-Shot- oder One-Shot-Lernen von Klassifikatoren erfordert eine signifikante induktive Verzerrung (Bias) in Richtung der zu lernenden Aufgabe. Ein Weg, dies zu erreichen, besteht darin, durch Meta-Lernen auf Aufgaben, die dem Ziel-Aufgabenset ähnlich sind. In dieser Arbeit schlagen wir UMTRA vor, einen Algorithmus, der unsupervises, modellagnostisches Meta-Lernen für Klassifizierungsaufgaben durchführt. Der Meta-Lernschritt von UMTRA wird auf einer flachen Sammlung von nicht annotierten Bildern ausgeführt. Obwohl wir davon ausgehen, dass diese Bilder in eine vielfältige Menge von Klassen gruppiert werden können und für die Ziel-Aufgabe relevant sind, werden keine expliziten Informationen über die Klassen oder irgendwelche Labels benötigt. UMTRA verwendet zufällige Stichprobenziehung und Data-Augmentation, um synthetische Trainingsaufgaben für die Meta-Lernphase zu erstellen. Labels werden erst im letzten Schritt des Lernens der Ziel-Aufgabe benötigt und es kann dabei auch nur ein einzelnes Beispiel pro Klasse vorliegen. Bei den Few-Shot-Lernbenchmarks Omniglot und Mini-Imagenet übertrifft UMTRA alle getesteten Ansätze basierend auf unsupervisem Lernen von Repräsentationen und wechselt sich mit dem kürzlich veröffentlichten CACTUs-Algorithmus bei der besten Leistung. Verglichen mit supervisierten modellagnostischen Meta-Lernansätzen gibt UMTRA einige Klassifikationsgenauigkeit zugunsten einer Reduktion der benötigten Labels um mehrere Größenordnungen auf.请注意，这里的“Meta-Lernen”指的是元学习，“modellagnostisches”指的是模型不可知的，“Data-Augmentation”指的是数据增强。这些术语在德语科技文献中通常会直接使用英语形式。