要約
少ショット学習の分野は、クラスごとのラベルが利用可能な教師あり設定で精力的に研究されてきました。一方、どのようなラベルも必要としない教師なし少ショット学習設定については、ほとんど調査が行われていません。本稿では、未ラベルデータを使用して少ショットタスクを生成する方法である「Assume, Augment and Learn（仮定し、拡張し、学習する）」またはAALを提案します。未ラベルデータセットからランダムに選ばれた画像のサブセットに対してランダムにラベリングを行い、サポートセットを生成します。次に、サポートセットの画像に対してデータ拡張を適用し、サポートセットのラベルを再利用することで、ターゲットセットを得ます。生成された少ショットタスクは、任意の標準的なメタ学習フレームワークの訓練に使用することができます。訓練が完了したモデルは、何ら変更や微調整を行うことなく小さな実際のラベル付きデータセットに直接適用することが可能です。我々の実験では、学習されたモデルがOmniglotおよびMini-Imagenetにおける既存の様々な少ショット学習タスクにおいて良好な汎化性能を達成しました。