ラベルの伝播を学習する：少数ショット学習のための転写伝播ネットワーク

少ショット学習の目的は、各クラスに対して限られた数の訓練インスタンスしか利用できない場合でも、汎化性能の高い分類器を学習することである。最近導入されたメタ学習アプローチは、多数の多クラス分類タスクにわたる一般的な分類器を学習し、そのモデルを新しいタスクに一般化することでこの問題に対処している。しかし、このようなメタ学習であっても、新しい分類タスクにおける低データ問題は依然として存在する。本論文では、Transductive Propagation Network（TPN）と呼ばれる新たなメタ学習フレームワークを提案する。TPNは推移的推論を行うことで、テストセット全体を一度に分類し、低データ問題を軽減することを目指している。具体的には、ラベル付きインスタンスからラベルなしテストインスタンスへのラベル伝播を学習するために、データ内の多様体構造を利用したグラフ構築モジュールを学習する方法を提案する。TPNは特徴量埋め込みとグラフ構築のパラメータをエンドツーエンドで共同して学習する。我々は複数のベンチマークデータセットでTPNの有効性を検証し、既存の少ショット学習アプローチよりも大幅に優れた性能を示し、最先端の結果を得ていることを確認した。