在参数空间组合领域特定元学习器用于跨域少样本分类

少样本分类的目标是学习一个仅使用少量训练样本即可对新颖类别进行分类的模型。尽管现有元学习算法在解决少样本分类问题上展示了有前景的结果，但仍存在一个重要挑战：如何在多个已见域上进行元学习的同时泛化到未见域？本文提出一种基于优化的元学习方法，称为组合领域特定元学习器（CosML），以解决跨域少样本分类问题。CosML首先训练一组元学习器，每个训练域一个，以学习特定于各域的先验知识（即元参数）。然后在参数空间中通过对其元参数取加权平均来组合这些领域特定的元学习器，该平均值用作任务网络的初始化参数，可快速适应未见域中的新颖少样本分类任务。我们的实验表明，CosML优于一系列最先进的方法，并具备强大的跨域泛化能力。