Cet article présente une perte à marge négative pour les méthodes d’apprentissage métrique en apprentissage par peu d’exemples (few-shot learning). Cette perte à marge négative dépasse significativement la perte softmax classique, atteignant des performances de précision de pointe sur trois benchmarks standards de classification en peu d’exemples, avec très peu de composants supplémentaires. Ces résultats contredisent la pratique courante dans le domaine de l’apprentissage métrique, où la marge est généralement nulle ou positive. Pour comprendre pourquoi la perte à marge négative se révèle efficace pour la classification en peu d’exemples, nous analysons de manière empirique et théorique la discriminabilité des caractéristiques apprises en fonction de différentes valeurs de marge, tant pour les classes d’entraînement que pour les classes nouvelles. Nous constatons qu’alors que la marge négative réduit la discriminabilité des caractéristiques pour les classes d’entraînement, elle peut aussi empêcher l’affectation erronée d’échantillons appartenant à la même classe nouvelle vers plusieurs pics ou clusters distincts, ce qui favorise ainsi la discrimination des classes nouvelles. Le code est disponible à l’adresse suivante : https://github.com/bl0/negative-margin.few-shot.