要約
現在の最先端の少データ学習手法は、単純な分類器（例えば最近傍重心法など）を用いる前に、特徴表現に対する効果的な学習手順の開発に注力している。本論文では、使用する特徴に依存しない直交的なアプローチを採用し、実際の分類器層のメタ学習に特化する。具体的には、古典的な2次判別分析（Quadratic Discriminant Analysis, QDA）のベイズ的メタ学習拡張であるMetaQDAを提案する。この枠組みには実務家にとって注目すべき複数の利点がある。まず、特徴の微調整を必要とせず、高速かつメモリ効率の良いメタ学習が可能である。また、既存の特徴表現（off-the-shelf features）に依存しないため、特徴表現の進展に自動的に恩恵を受けることができる。実験的にも、ドメイン間少データ学習において堅牢な性能を発揮し、特に実世界の応用において重要な予測の不確実性の良好なキャリブレーションを実現することが示された。