Few-Shot Learningにおけるハイブリッド粒度分布推定：カテゴリとインスタンスからの統計転送

科学分野:

• 機械学習
• コンピュータビジョン

背景:

• Few-Shot学習（FSL）は、データ不足のために課題に直面しています。
• FSLにおけるカテゴリレベルの分布推定は、ベースカテゴリと新規カテゴリの類似性の違いにより、最適ではないパフォーマンスにつながる可能性があります。

研究 の 目的:

• Few-Shot学習（FSL）におけるより効果的な分布推定のために、ハイブリッド粒度分布推定（HGDE）を導入すること。
• 粗粒度と細粒度の両方の統計を統合することにより、新しいカテゴリの特性評価を強化すること。

主な方法:

• HGDEは、カテゴリレベルの統計と、最も近いベースサンプルからのインスタンスレベルの統計を統合します。
• 統計は線形補間を用いて融合され、新規カテゴリの堅牢な分布が作成されます。
• 平均のための加重和や、主成分保持による共分散など、洗練された推定技術が採用されています。

主要な成果:

• HGDEは、4つのFSLベンチマーク（Mini-ImageNet、Tiered-ImageNet、CUB、CIFAR-FS）全体で効果的な分布推定能力を実証しました。
• CUBにおける1-shotタスクで1.8%以上の精度向上が見られました。
• この手法は、平均精度と分散多様性のバランスを効果的に取ります。

結論:

• HGDEは、分布推定を改善することにより、Few-Shot学習のための汎用性が高く効果的なソリューションを提供します。
• ハイブリッドアプローチは、カテゴリレベルの推定だけでは見過ごされがちな微妙な特徴を捉えます。
• HGDEは、サンプル多様性と代表性を強化し、FSLパフォーマンスの向上につながります。