Réseaux Prototypiques pour l'Apprentissage avec Peu d'Exemples

Nous proposons des réseaux prototypiques pour le problème de classification à faibles tirs (few-shot classification), où un classifieur doit généraliser à de nouvelles classes non présentes dans l'ensemble d'entraînement, en se basant uniquement sur un petit nombre d'exemples de chaque nouvelle classe. Les réseaux prototypiques apprennent un espace métrique dans lequel la classification peut être effectuée en calculant les distances aux représentations prototypiques de chaque classe. Comparés aux approches récentes pour l'apprentissage à faibles tirs, ils reflètent une hypothèse inductive plus simple qui est bénéfique dans ce régime de données limitées, et obtiennent d'excellents résultats. Nous fournissons une analyse montrant que certaines décisions de conception simples peuvent entraîner des améliorations substantielles par rapport aux approches récentes impliquant des choix architecturaux complexes et un apprentissage métadynamique (meta-learning). Nous étendons également les réseaux prototypiques à l'apprentissage à zéro tir (zero-shot learning) et obtenons des résultats d'état de l'art sur le jeu de données CU-Birds.