Réseaux de correspondance pour l'apprentissage en une seule présentation

L'apprentissage à partir de quelques exemples reste un défi majeur en apprentissage automatique. Malgré les progrès récents dans des domaines importants tels que la vision et le langage, le paradigme standard de l'apprentissage supervisé profond ne propose pas une solution satisfaisante pour apprendre rapidement de nouveaux concepts à partir de peu de données. Dans ce travail, nous utilisons des idées issues de l'apprentissage par métrique basé sur des caractéristiques neuronales profondes et des avancées récentes qui augmentent les réseaux neuronaux avec des mémoires externes. Notre cadre apprend un réseau qui associe un petit ensemble d'appui étiqueté et un exemple non étiqueté à son étiquette, éliminant ainsi la nécessité d'un ajustement fin pour s'adapter à de nouveaux types de classes. Nous définissons ensuite des problèmes d'apprentissage à une seule vue (one-shot) sur des tâches de vision (en utilisant Omniglot, ImageNet) et de langage. Notre algorithme améliore la précision à une seule vue sur ImageNet de 87,6 % à 93,2 % et de 88,0 % à 93,8 % sur Omniglot par rapport aux approches concurrentes. Nous démontrons également l'utilité du même modèle pour la modélisation linguistique en introduisant une tâche d'apprentissage à une seule vue sur le Penn Treebank.