초록
주어진 몇 개의 훈련 예제만으로 이전에 본 적 없는 작업을 처리하는 것은 여전히 머신 러닝에서 어려운 과제입니다. 우리는 이를 개선하기 위해 작업에 적응하는 투영을 추가한 신경망인 TapNets를 제안합니다. 여기서 에피소드 기반 훈련을 사용하는 메타러닝 전략을 통해 넓은 범위의 작업에 걸쳐 네트워크와 클래스별 참조 벡터 집합이 학습됩니다. 동시에 각 에피소드마다 임베딩 공간의 특징들이 새로운 공간으로 선형 투영되어 빠른 작업 특화 조건부 처리가 이루어집니다. 프로젝션 공간에서 쿼리와 참조 벡터 사이의 거리 측정값을 기반으로 훈련 손실이 계산됩니다. 이러한 방식으로 우수한 일반화 결과를 얻을 수 있습니다. Omniglot, miniImageNet 및 tieredImageNet 데이터셋에서 다양한 few-shot 시나리오 하에 테스트했을 때, 우리는 최고 수준의 분류 정확도를 달성하였습니다.