要約
少サンプル分類は、各クラスから少数のラベル付きサンプルのみを用いて未観測クラスを認識することを目的としている。多数のメタラーニングモデルは、このようなタスクを解決するため、さまざまなタスク共有型の誘導的バイアス（メタ知識）を精巧に設計しており、優れた性能を達成している。しかし、訓練タスクとテストタスクの間にドメインシフトが存在する場合、得られた誘導的バイアスはドメイン間で一般化できず、メタラーニングモデルの性能が低下する。本研究では、タスク増強を用いて誘導的バイアスのロバスト性を向上させることを目的とする。具体的には、元のタスク分布の周囲における最悪ケース問題に着目し、誘導的バイアスに適応した「困難な」タスクを生成できる adversarial task augmentation（敵対的タスク増強）手法を提案する。本手法は、さまざまなメタラーニングモデルにシンプルに統合可能なプラグアンドプレイ型モジュールとして利用可能であり、モデルのドメイン間一般化能力を向上させる。本研究では、9つの少サンプル分類データセット（mini-ImageNet、CUB、Cars、Places、Plantae、CropDiseases、EuroSAT、ISIC、ChestX）を用いて、ドメイン間設定下で広範な実験を実施した。実験結果から、本手法がドメインシフト下においてメタラーニングモデルの少サンプル分類性能を有効に向上させ、既存手法を上回ることを示した。本研究のコードは、https://github.com/Haoqing-Wang/CDFSL-ATA にて公開されている。