確率モデルを用いた差別的kショット学習

本論文では、kショット画像分類のための確率的フレームワークを紹介します。このフレームワークの目的は、初期の大規模分類タスクから新しいクラスと少数のサンプルを含む別のタスクへ一般化することです。新しいアプローチは、初期タスクからニューラルネットワークが学習した特徴量ベースの表現（表現転送）だけでなく、クラスに関する情報（概念転送）も活用します。概念情報は、ニューラルネットワークの最終層の重みに対する確率モデルにカプセル化され、これは確率的なkショット学習の事前分布として機能します。我々は、単純な確率モデルでも標準的なkショット学習データセットで大幅に最先端の性能を達成できることを示しています。さらに、このモデルは不確定性を正確にモデリングし、信頼性のある分類器を生成することができ、多くの最近のkショット学習手法とは異なり拡張性と柔軟性が高いという特徴があります。