少数ショット学習のための適応マージン損失による性能向上

近年、少サンプル学習（Few-shot Learning, FSL）は注目を集めているが、わずかな例から一般化能力を学ぶという本質的な難しさにより、依然として挑戦的な課題である。本論文では、メトリックベースのメタ学習アプローチにおける少サンプル学習問題の一般化能力を向上させるため、適応的マージン原理を提案する。具体的には、まず各クラス間の意味的類似度を考慮したクラス関連加法的マージン損失（class-relevant additive margin loss）を導入し、特徴埋め込み空間において類似クラスからのサンプルを分離する。さらに、サンプリングされた学習タスクにおけるすべてのクラス間の意味的文脈を組み込み、タスク関連加法的マージン損失（task-relevant additive margin loss）を構築することで、異なるクラスからのサンプルをより明確に区別できるようにする。提案手法は、より現実的な一般化少サンプル学習（generalized FSL）設定へ容易に拡張可能である。広範な実験により、標準的なFSLおよび一般化FSLの両設定において、現在のメトリックベースのメタ学習手法の性能を顕著に向上させることを示した。