要約
少ショット学習は、少数の例から一般化するモデルを生成するために不可欠となっています。本研究では、メトリックスケーリングとメトリックタスク条件付けが、少ショットアルゴリズムの性能向上に重要であることを確認しました。分析の結果、単純なメトリックスケーリングが少ショットアルゴリズムのパラメータ更新の本質を完全に変えることが明らかになりました。メトリックスケーリングは、特定の指標においてmini-Imagenet 5クラス5ショット分類タスクで最大14%の精度向上をもたらします。さらに、学習者がタスクサンプルセットに基づいて条件付けられる簡単かつ効果的な方法を提案し、タスク依存の計量空間を学習することにつながりました。また、タスク依存の計量空間を学習するための補助タスク共学習に基づく実践的なエンドツーエンド最適化手順を提案し、実証的にテストしました。この手法により得られたタスク依存スケーリング計量に基づく少ショット学習モデルは、mini-Imagenetで最先端の性能を達成しています。本研究では新たにCIFAR100に基づく別の少ショットデータセットを導入し、これらの結果を確認しました。当該コードは公開されており、https://github.com/ElementAI/TADAM からアクセスできます。