Re-présentation transductive des caractéristiques sans paramètres pour l'apprentissage en quelques coups.

Résumé :

La littérature récente dans le domaine de l'apprentissage en quelques coups (FSL) a montré que les méthodes transductives surpassent souvent leurs homologues inductives. Cependant, la plupart des solutions transductives, en particulier celles basées sur le méta-apprentissage, nécessitent l'insertion de paramètres entraînables au-dessus de certaines lignes de base inductives pour faciliter la transduction. Dans cet article, nous proposons un cadre de re-présentation de caractéristiques transductives sans paramètres qui diffère de toutes les solutions existantes des points de vue suivants. (1) Il est largement compatible avec les méthodes FLS existantes, y compris les modèles basés sur le méta-apprentissage et le réglage fin. (2) Le cadre est simple et n'introduit aucun paramètre de formation supplémentaire lorsqu'il est appliqué à n'importe quelle architecture. Nous menons des expériences sur trois ensembles de données de référence en appliquant le cadre à la fois à des bases de méta-apprentissage représentatives et à des méthodes FLS de pointe. Notre cadre améliore systématiquement les performances dans toutes les expériences et rafraîchit les résultats de l'état de l'art du FSL.