一発学習のためのマッチングネットワーク

少数の例から学習することは、機械学習における主要な課題の一つです。視覚や言語などの重要な分野での最近の進歩にもかかわらず、標準的な教師あり深層学習パラダイムは、少量のデータから新しい概念を迅速に学習するための満足すべき解決策を提供していません。本研究では、深層ニューラル特徴に基づく計量学習と外部記憶を追加する最新の手法からアイデアを取り入れました。我々のフレームワークは、小さなラベル付きサポートセットとラベルなしのサンプルをそのラベルにマッピングするネットワークを学習します。これにより、新しいクラスタイプへの適応のために微調整を行う必要がなくなります。次に、OmniglotやImageNetを使用した視覚タスクと言語タスクにおける一発学習問題を定義しました。当アルゴリズムは競合手法と比較して、ImageNetにおいて一発精度を87.6%から93.2%へ、Omniglotにおいて88.0%から93.8%へ向上させました。さらに、Penn Treebank上で一発タスクを導入することで言語モデル化における同一モデルの有用性も示しました。