Exploiter la distribution des caractéristiques dans l'apprentissage peu étiqueté basé sur le transfert

La classification à peu de exemples constitue un problème difficile en raison de l’incertitude engendrée par l’utilisation de très peu d’exemples étiquetés. Au cours des dernières années, de nombreuses méthodes ont été proposées pour résoudre ce problème, parmi lesquelles les approches basées sur le transfert se sont révélées les plus performantes. Dans la continuité de cette tendance, nous proposons dans cet article une nouvelle méthode basée sur le transfert, fondée sur deux étapes successives : 1) un prétraitement des vecteurs de caractéristiques afin de les rendre plus proches de distributions gaussiennes, et 2) l’exploitation de ce prétraitement via un algorithme inspiré du transport optimal (dans le cadre des réglages transductifs). À l’aide de benchmarks visuels standardisés, nous démontrons la capacité de la méthodologie proposée à atteindre des performances de pointe sur divers jeux de données, architectures de base et configurations de few-shot.