私たちは長年取り組んできた少量サンプルからの学習という問題を見直し、この目的のために新しい手法であるGLICO（Generative Latent Implicit Conditional Optimization）を提案します。GLICOは、訓練例から潜在空間へのマッピングと、その潜在空間のベクトルから画像を生成するジェネレータを学習します。最近の多くの研究が大量のラベルなしデータへのアクセスに依存しているのに対し、GLICOは小さなラベル付きデータセット以外の追加データには依存しません。実際、クラスごとに5つまたは10つのサンプルしかなくても、10クラス程度で事前分布を仮定することなく、全く新しいサンプルを合成することができます。GLICOはその後、分類器を少量サンプルで訓練する際に、小さな訓練セットを拡張するために使用されます。具体的には、提案手法は学習した潜在空間から球面補間によってサンプリングを行い、訓練されたジェネレータを使用して新たなサンプルを生成します。経験的な結果は、新しくサンプリングされたセットが十分に多様であり、CIFAR-10、CIFAR-100、およびCUB-200から得られた少量サンプルでの画像分類において最先端の手法よりも改善していることを示しています。