少ショット学習のためのオープンセット尤度最大化

我々は、少数のラベル付きサンプルしか与えられていないクラス集合内におけるインスタンスの分類と、既知のクラスに属さないインスタンスの検出を同時に実行する「少サンプルオープンセット認識（Few-Shot Open-Set Recognition, FSOSR）」という問題に取り組む。本研究では、推論時に未ラベルのクエリインスタンスを活用する代表的なトランスダクティブ設定を採用する。既存のトランスダクティブ手法がオープンセット環境下で性能が劣ることに着目し、従来のパラメトリックモデルに加えて、潜在的な外れ値（outlier）の影響を低減するための潜在スコアを導入することで、最尤推定原理の一般化を提案する。本手法の定式化は、サポートセットからの監督制約を埋め込みつつ、クエリセットにおける過信した予測を抑制するための追加ペナルティを組み込んでいる。その後、潜在スコアとパラメトリックモデルを交互に最適化するブロック座標降下法を用いて最適化を実行し、両者を相互に補完する効果を活かす。本手法を「オープンセット尤度最適化（Open-Set Likelihood Optimization, OSLO）」と命名する。OSLOは解釈性に優れ、完全にモジュール化されており、任意の事前学習済みモデルに簡単に適用可能である。広範な実験を通じて、本手法が従来のインダクティブおよびトランスダクティブ手法を上回り、オープンセット認識の二つの側面である「内点分類」と「外点検出」の両面において優れた性能を発揮することを示した。