要約
データ拡張は、現代の機械学習モデルの精度を向上させるための最も効果的な手法の一つであり、メタラーニングを用いた深層モデルの学習においても不可欠である。本論文では、従来の画像数を増やす拡張手法とは異なり、元の画像を90度、180度、270度回転させることでクラス数を増加させるタスクレベルの拡張手法を提案する。より多くのクラスを用いることで、学習中に多様なタスクインスタンスをサンプリングできるようになる。その結果、回転を用いたタスク拡張により、過学習がほとんど生じない状態でメタラーニング手法を用いた深層ネットワークの学習が可能となる。実験結果から、本手法は従来の画像数増加を目的とした回転拡張法を上回り、miniImageNet、CIFAR-FS、FC100といった少サンプル学習ベンチマークにおいて最先端の性能を達成することが示された。コードは \url{www.github.com/AceChuse/TaskLevelAug} にて公開されている。