要約
与えられた訓練例が少ない状況で未見のタスクを処理することは、機械学習において依然として難しい課題となっています。本研究では、タスク適応型射影を強化したニューラルネットワークであるTapNetsを提案します。ここでは、エピソードベースの訓練を使用するメタ学習戦略により、多様なタスクにわたってネットワークとクラスごとの参照ベクトルセットが学習されます。同時に、各エピソードにおいて、埋め込み空間内の特徴量が新しい空間へ線形射影され、これにより迅速なタスク固有の条件付けが行われます。投影空間におけるクエリと参照ベクトル間の距離指標に基づいて訓練損失が算出されます。この方法により優れた汎化性能が得られます。Omniglot、miniImageNetおよびtieredImageNetデータセットでのテスト結果によると、様々な少ショットシナリオ下で最先端の分類精度を達成しています。