要約
少ショット学習（Few-shot learning, FSL）は、機械学習における難問の一つであり、わずかなラベル付きサンプルを用いてモデルが判別的な分類を行うことを要求します。FSLの文献では、深層モデルがメトリック学習の手法で訓練され、新しいクラスのサンプルを分類するのに適した特徴空間でのメトリックを提供します。この空間において、わずかな量のラベル付き訓練例でも効果的な分類器を構築することが可能となります。本論文では、\emph{幾何平均}に基づく新たなFSL損失関数を提案し、深層特徴に判別的なメトリックを埋め込む方法を示します。他の損失関数（例えばソフトマックスベースの式で算術平均を利用するもの）とは異なり、提案手法はサンプル間の対象間関係を集約するために幾何平均を利用し、クラス間での判別的メトリックを強化します。提案された損失関数は単純な形式で定式化されており、理論的に詳細に解析され、FSLにおける特徴メトリック学習に有利な特性が明らかにされています。少ショット画像分類タスクに関する実験では、他の損失関数と比較して競争力のある性能を示しています。