拡張少サンプル学習：新規タスクにおける既存リソースの活用

多くの実用的な少サンプル学習（few-shot learning）の問題において、ラベル付きサンプルは限られているものの、有用な情報を含む可能性のある豊富な補助データセット（auxiliary dataset）が存在する。本研究では、こうした状況を扱うため、「拡張少サンプル学習（extended few-shot learning）」という問題設定を提案する。その後、少サンプル画像分類において、補助データを効率的に選択し、効果的に活用するという課題に対処するためのフレームワークを導入する。大規模な補助データセットとクラス間の意味的類似性（semantic similarity）の概念を前提として、ターゲットタスクに関連する他のクラスから自動的に「擬似ショット（pseudo shots）」と呼ばれるラベル付きサンプルを選定する。我々は、単純なアプローチ、すなわち（1）補助サンプルをターゲットタスクのサンプルと同様に扱う方法、あるいは（2）転移学習を用いて特徴を学習する方法では、精度向上が限定的であることを示す。代わりに、補助データの特徴をターゲットクラスの特徴とより類似するように調整する「マスキングモジュール（masking module）」を提案する。実験の結果、このマスキングモジュールは、単純なサポートサンプルのモデル化手法および転移学習手法と比較して、それぞれ4.68ポイントおよび6.03ポイントの精度向上を達成することが明らかになった。