要約
多くの少ショット学習のアプローチは、（事前）学習中に目標タスクドメインに関連する高コストの注釈データに依存しています。最近では、無教師メタ学習手法が注釈の要件を少ショット分類性能の低下と交換しています。一方、現実的なドメインシフトの設定において、一般的な転移学習が監督付きメタ学習を上回ることが示されています。これらの洞察と自己教師あり学習の進歩に基づいて、我々は無ラベルのプロトタイプサンプルとその拡張が近接してクラスタリングされる計量埋め込みを構築する転移学習アプローチを提案します。この事前学習された埋め込みは、クラスクラスタを要約し微調整を行うことで、少ショット分類の出発点となります。我々は、提案した自己教師ありプロトタイプ転移学習アプローチProtoTransferがmini-ImageNetデータセットからの少ショットタスクで最先端の無教師メタ学習手法を上回ることを示しました。ドメインシフトのある少ショット実験では、我々のアプローチが監督付き手法に匹敵する性能を持つことが確認されましたが、必要なラベル数はそのオーダー・オブ・マグニチュード（orders of magnitude）少ないです。