説明誘導型トレーニングによるクロスドメイン少サンプル分類

クロスドメイン少サンプル分類タスク（CD-FSC）は、少サンプル分類の枠組みに加え、異なるドメイン（データセットで表される）間での一般化能力を要求する課題である。この設定は、各クラスにおけるラベル付きデータの限定性に加え、訓練データとテストデータの間におけるドメインシフト（domain shift）という課題に直面している。本論文では、既存の少サンプル分類（FSC）モデルに対する新しい訓練手法を提案する。この手法は、FSCモデルの予測結果に対して既存の説明手法を適用することで得られる説明スコアを活用し、モデルの中間特徴マップに対してこれらのスコアを計算することに基づいている。まず、FSCモデルの予測を説明するため、層別関連性伝播（Layer-wise Relevance Propagation, LRP）法をカスタマイズした。次に、モデルに依存しない説明誘導型訓練戦略を構築し、予測に重要な特徴を動的に同定・強調する仕組みを実現した。本研究の貢献は新たな説明手法の開発ではなく、説明情報を訓練フェーズに活用する画期的な応用にある。実験の結果、説明誘導型訓練がモデルの一般化性能を顕著に向上させることを示した。3種類の異なるFSCモデル（RelationNet、クロスアテンションネットワーク、グラフニューラルネットワークベースのアーキテクチャ）について、5つの少サンプル学習データセット（miniImageNet、CUB、Cars、Places、Plantae）において、すべてで精度の向上が確認された。実装コードは以下のURLから公開されている：https://github.com/SunJiamei/few-shot-lrp-guided