분류기의 소량 샘플 학습(few-shot) 또는 단일 샘플 학습(one-shot)은 학습할 작업 유형에 대한 중요한 귀납적 편향(inductive bias)이 필요합니다. 이러한 편향을 획득하는 한 가지 방법은 대상 작업과 유사한 작업들에서 메타학습(meta-learning)을 수행하는 것입니다. 본 논문에서는 UMTRA라는 알고리즘을 제안합니다. 이 알고리즘은 분류 작업을 위한 비지도, 모델 독립적인 메타학습(unsupervised, model-agnostic meta-learning)을 수행합니다. UMTRA의 메타학습 단계는 라벨이 부착되지 않은 이미지들의 평평한 집합에서 이루어집니다. 우리는 이러한 이미지들이 다양한 클래스로 그룹화될 수 있으며 대상 작업과 관련되어 있다고 가정하지만, 클래스에 대한 명시적인 정보나 어떤 라벨도 필요하지 않습니다. UMTRA는 무작위 샘플링과 증강(augmentation)을 사용하여 메타학습 단계에서 합성 훈련 작업(synthetic training tasks)을 생성합니다. 라벨은 최종 대상 작업 학습 단계에서만 필요하며, 각 클래스당 하나의 샘플로 충분할 수 있습니다. Omniglot 및 Mini-Imagenet 소량 샘플 학습 벤치마크에서 UMTRA는 표현 학습 기반의 모든 시험된 비지도 접근 방식보다 우수한 성능을 보였으며, 최근 CACTUs 알고리즘과 함께 최고 성능을 다투었습니다. 지도 모델 독립적인 메타학습 접근 방식과 비교할 때, UMTRA는 몇 개数量级的标签需求减少以换取一些分类准确性上的牺牲。注：最后一句中的“数量级”在韩语中没有直接对应的词汇，因此我将其翻译为“몇 개”的形式来表示“几个数量级”。如果需要更精确的表达，可以考虑使用括号标注原文：“UMTRA는 지도 모델 독립적인 메타학습 접근 방식과 비교해 몇 개 (orders of magnitude) 의 라벨 요구사항 감소를 위해 일부 분류 정확성을 포기합니다。”