要約
メタラーニングに基づく従来の手法は、ベースクラスの（ソースドメイン）学習タスクから学習されたメタ知識を用いて、（ターゲットドメイン）テストタスクにおける新規クラスのラベルを予測する。しかし、ドメイン間の分布差が大きい可能性があるため、多数の既存手法は新規クラスへの一般化に失敗する傾向がある。この問題に対処するため、本研究では、少サンプル学習におけるドメインギャップを埋めるための新たな敵対的特徴拡張（Adversarial Feature Augmentation; AFA）手法を提案する。本手法では、特徴の拡張によって分布の変動を模倣するため、ドメイン間の差異を最大化するように設計されている。敵対的学習の過程において、ドメイン識別器は拡張された特徴（未観測ドメイン）と元の特徴（観測ドメイン）を区別するように学習される一方で、ドメイン差異は最小化され、最適な特徴エンコーダが得られる。提案手法は、メタラーニングに基づく既存の少サンプル学習手法に容易に統合可能なプラグアンドプレイ型モジュールである。9つのデータセットにおける広範な実験により、最先端手法と比較して、本手法がクロスドメイン少サンプル分類において優れた性能を発揮することが示された。コードは以下のURLで公開されている：https://github.com/youthhoo/AFA_For_Few_shot_learning