要約
少ショット分類は、わずかな数のアノテーション付きサンプルのみが与えられた場合でも新しいクラスに効果的に適応できる予測モデルを学習することを目的としています。この難問を解決するために、メタラーニングは「適応する方法を学ぶ」能力を提唱するパラダイムとして人気を集めています。しかし、最近の研究では、メタラーニングなしで単純な学習戦略が競争力を持つことが示されています。本論文では、一歩進めて、少ショット学習分類器の根本的な高分散問題に対処することで、現行のメタラーニング技術を大幅に上回ることが可能であることを示します。当方針では、分類器の分散を利用する深層ネットワークのアンサンブル設計と、ネットワーク間での協力を促進しながら予測の多様性を奨励する新戦略の導入を行います。評価はmini-ImageNetおよびCUBデータセット上で実施され、ディスティレーションによって得られた単一のネットワークですら最先端の結果を達成することが確認されました。