要約
無教師メタ学習の先駆的な手法であるCACTUsは、疑似ラベリングを用いたクラスタリングベースのアプローチです。この手法はモデルに依存せず、教師ありアルゴリズムと組み合わせて未ラベルデータから学習することができます。しかし、ラベルの一貫性不足や多様性の限界により、性能が低下することがしばしばあります。本研究では、その根本的な原因が埋め込み空間におけるクラスタリングに適した特性の欠如にあることを証明しました。これを解決するために、クラス間類似度とクラス内類似度の比率を最小化することで、クラスタリングに適した埋め込み特徴量を提供し、包括的な実験を通じて当該手法の有効性を検証しました。特に、疑似ラベルを取得するために単純なクラスタリングアルゴリズム（k-means）のみを使用しているにもかかわらず、大幅な改善が達成されました。さらに、進行評価メカニズムを採用してより多様なサンプルを得ることで、多様性の限界問題をさらに軽減しています。最終的に、当該手法もモデルに依存せず、既存の教師あり方法に容易に統合できます。その汎用性を示すために、代表的な2つのアルゴリズム（MAMLおよびEP）に統合しました。3つの主要なFew-Shotベンチマークでの結果は明確に示しており、提案手法が最先端モデルに対して大幅な改善を達成していることが確認されました。特に注目すべきは、当該手法が2つのタスクにおいて対応する教師あり方法よりも優れた性能を発揮していることです。