バックボーンニューラルネットワークの事前処理された潜在空間からの最適輸送マッピングを用いた転移学習に基づく少サンプル分類

MetaDL Challenge 2020 は、少サンプル（few-shot）設定における画像分類タスクに焦点を当てた。本論文では、同コンペティションにおける2位の提出手法について述べる。我々のメタ学習アプローチは、バックボーンネットワークが生成する潜在空間におけるクラス分布を、各クラスに対して調整することで、より正規分布に近づける。この操作を「潜在空間変換（Latent Space Transform）アルゴリズム」と呼ぶ。その後、ラベルなしデータに含まれる情報を活用するために、期待値最大化（Expectation Maximization: EM）アルゴリズムの反復的手順を用いて、クラス中心をさらに統合的に整列させる。本タスクでは、Sinkhornアルゴリズムを用いた最適輸送マッピングを活用している。実験の結果、本手法は従来の手法およびK近傍法（K-Nearest Neighbour）、ガウス混合モデル（Gaussian Mixture Models）など、他のアルゴリズムの変種を上回る性能を示した。