要約
少ショットまたはワンショットの分類器学習には、学習対象のタスクの種類に対する強い帰納的バイアスが必要です。このバイアスを獲得する方法の一つは、目標タスクに類似したタスクでメタ学習を行うことです。本論文では、UMTRA（Unsupervised Model-Agnostic Meta-Learning for Classification Tasks）というアルゴリズムを提案します。UMTRAは、分類タスクに対して教師なしかつモデル非依存的なメタ学習を行います。UMTRAのメタ学習ステップは、ラベル付けされていない画像のフラットな集合上で行われます。これらの画像が多様なクラスにグループ化でき、目標タスクに関連していると仮定していますが、クラスに関する明示的な情報やラベルは必要ありません。UMTRAはランダムサンプリングとデータ拡張を使用して、メタ学習フェーズで合成的な訓練タスクを作成します。ラベルは最終的な目標タスク学習ステップでしか必要ではなく、各クラスにつき1つのサンプルでも十分です。OmniglotおよびMini-Imagenetの少ショット学習ベンチマークにおいて、UMTRAは教師なし表現学習に基づくすべてのテスト済み手法を上回り、最近のCACTUsアルゴリズムと同等の最高性能を示しました。監督付きモデル非依存的メタ学習手法と比較すると、UMTRAは分類精度を若干犠牲にすることで、必要なラベル数を数桁減らしています。