要約
メタラーニングは、少数回学習（few-shot learning）および迅速なモデル適応の実現に広く用いられている。その中でも、勾配降下法の過程を制御する方法を学ぶことで、勾配ベースの学習において高速性と汎化性能を両立しようとするアプローチが存在する。本研究では、ニューラルネットワークのモデルパラメータを低次元の潜在空間（latent space）に制限することにより、勾配降下プロセスを制御する手法を提案する。このアイデアの主な課題は、過剰なパラメータ数を必要とするデコーダーの構築である。本研究では、典型的な構造を持つデコーダーを設計し、その内部で一部の重みを共有することで、必要なパラメータ数を削減した。さらに、提案手法の性能向上を図るため、アンサンブル学習（ensemble learning）を導入した。実験結果から、提案手法はOmniglot分類およびminiImageNet分類のタスクにおいて、従来手法を上回る優れた性能を示したことが確認された。