少量学習（Few-shot Learning, FSL）は、各カテゴリに対して極めて限られた訓練データで新しいオブジェクトを認識することを目的としている。従来のアプローチは、メタ学習の枠組みを活用するか、データ拡張における新たな原理を導入することで、極めてデータが乏しい状況を緩和しようとしてきた。これに対して、本論文では、ラベルなしインスタンスの分布サポートを活用するシンプルな統計的手法、すなわち「インスタンス信頼度推論（Instance Credibility Inference, ICI）」を提案する。具体的には、まずラベル付きの少量学習サンプルを用いて線形分類器を学習し、その分類器を用いてラベルなしデータに対して擬似ラベルを推定する。次に、各擬似ラベル付きインスタンスの信頼度を測定するために、偶然パラメータのスパース性を高めるという新たな線形回帰仮説を導入し、スパース性の程度に基づいて擬似ラベル付きインスタンスをランク付けする。その後、最も信頼性の高い擬似ラベル付きインスタンスとラベル付きサンプルを組み合わせて、線形分類器を再学習する。このプロセスを、ラベルなしサンプルすべてが拡張された訓練セットに含まれるまで反復し、ラベルなしデータプール全体における擬似ラベルが収束するまで繰り返す。2種類の少量学習設定下での広範な実験により、本手法がminiImageNet、tieredImageNet、CIFAR-FS、CUBの4つの広く用いられている少量学習ベンチマークデータセットにおいて、新たなSOTA（State-of-the-Art）を達成することが確認された。本研究のコードは以下のURLから公開されている：https://github.com/Yikai-Wang/ICI-FSL