半教師付き少shot分類のための自己訓練学習

少ショット分類（Few-shot classification: FSC）は、ラベル付き訓練データの不足（例えば、各クラスにつき1つのラベル付きデータポイントのみ）により困難を伴います。メタ学習は、FSC用の分類モデルの初期化方法を学習することで有望な結果を示しています。本論文では、未ラベルデータを活用し、特にそのような非監督データから選別してラベリングを行う方法をメタ学習する新しい半教師ありメタ学習手法である自己学習法（Learning to self-train: LST）を提案します。この目的のために、多数の半教師あり少ショットタスクを通じてLSTモデルを訓練します。各タスクにおいて、少ショットモデルを用いて未ラベルデータに対する疑似ラベルを予測し、その後、ラベル付きデータと疑似ラベル付きデータを使用して自己学習ステップを繰り返し行い、各ステップ後に微調整を行います。さらに、より良い疑似ラベルが勾配降下最適化に大きく貢献できるようにするために、ソフトウェイティングネットワーク（Soft weighting network: SWN）を学習して疑似ラベルの自己学習重みを最適化します。我々はLST手法を2つのImageNetベンチマークで評価し、半教師あり少ショット分類において最先端手法に対して大幅な改善を達成しました。コードは以下のURLで公開されています：https://github.com/xinzheli1217/learning-to-self-train。