一般に、少数ショット分類には 2 つの課題があります。
非対称分類: 基本クラスのサンプル数は新規クラスのサンプル数よりもはるかに多いため、分類器は通常、ノードが新規ノードではなくベース ノードであると判断する傾向があります。
一貫性のない好み: 個人的な理解では、基本ノード機能の学習の重みは、新規ノード機能の重みとは異なります。
一貫性のない好みの鮮明な例があります。
たとえば、同じクラスが接続される場合、クラス内の要素が多いもの (マルチカメラ状態) については、近くの小さな範囲に焦点を合わせるのが最善です。ただし、クラス内の要素が少ない (ショットの状態が少ない) 場合は、より遠く、より広い範囲に焦点を合わせた方がよいでしょう。
これら 2 つの問題を解決するために、メタ学習法が提案されています。
大まかな理解としては、おそらく、すべてのタスクの多数のサンプルを使用してメタ学習器をトレーニングし、メタ学習器は分類器がテスト タスクのテスト サンプルをより適切にトレーニングおよび学習するのを支援します。
このメタ学習手法は、Few-shot 学習で使用できます。
このソリューションには、すべてのテスト ノードを新しいクラスから個別にサンプリングする必要があるという前提があることに注意してください。これは、実際のアプリケーションでは実現が困難です。
したがって、一般化された少数ショット分類問題が提案されます。つまり、テストノードはベースとノベルの両方からサンプリングする必要があります。
重みセレクターは 2 つの部分で構成されていることに注意してください。
まず、メタ学習者と同じ学習者
第二に、テストサンプルは新規ノードであるだけでなくベースノードでもあり、2つの最適な重みが異なるため、ショット認識に従って異なる重みが選択されます。