要約
我々は、少数回学習（few-shot learning）を解決する新たな厳密なPAC-Bayesメタラーニングアルゴリズムを提案する。本研究で提唱する手法は、従来の単一タスク設定に限定されたPAC-Bayes枠組みを、複数のタスクに適用可能なメタラーニング設定へ拡張し、あらゆる（包括的に）未観測のタスクおよびサンプル上で評価された誤差に対して上界を保証する。また、従来の対角共分散行列をもつ多変量正規分布に基づく事後分布の仮定に代わり、生成モデルに基づくアプローチを用いて、タスク固有のモデルパラメータの事後分布をより表現力豊かに推定することを提案する。実験により、本手法で訓練されたモデルが良好なキャリブレーション性能と高い精度を示すことを確認した。特に、少数回分類（mini-ImageNetおよびtiered-ImageNet）および回帰（多モーダルタスク分布回帰）のベンチマークにおいて、最先端のキャリブレーション性能と分類精度を達成している。