利用知识图谱应对少样本学习中的数据偏移

许多少样本学习方法在元学习框架下设计，其从多种学习任务中学习并泛化到新任务。这些元学习方法在所有样本来自相同分布（独立同分布观测）的场景中达到了预期性能。然而，在真实世界应用中，少样本学习范式常遭受数据偏移的困扰，即不同任务甚至同一任务中的样本可能来自各种数据分布。大多数现有少样本学习方法未考虑数据偏移，因此在数据分布偏移时表现出性能下降。然而，由于每任务中标记样本数量有限，解决少样本学习中的数据偏移问题并非易事。针对该问题，我们提出一种新颖的基于度量的元学习框架，借助知识图谱提取任务特定表示与任务共享表示。由此，任务内/任务间的数据偏移可通过任务共享与任务特定表示的结合来应对。所提模型在流行基准和两个构建的新挑战性数据集上进行了评估。评估结果证明了其卓越的性能。