少样本图像分类中的发散搜索

当数据无标签且目标任务事先未知时，发散搜索提供了一种学习广泛技能的策略。拥有这样的技能库可使系统适应新的、未预见的任务。无标签图像数据丰富，但往往不知下游任务需要哪些特征。我们提出了一种在少样本图像分类设定下进行发散搜索的方法，并使用 Omniglot 和 Mini-ImageNet 进行评估。该高维行为空间包含所有可能的数据划分方式。为在此空间中管理发散搜索，我们依赖元学习框架将来自多样任务的有用特征整合进单一模型。该模型最后一层用作对所有过往行为的“档案”的索引。我们搜索当前档案无法到达的行为空间中的区域。正如预期，发散搜索在性能上不及对评估任务有强偏置的模型。但它能够匹配、有时甚至超越对目标任务偏置较弱或完全无偏置的模型。这表明发散搜索即使在高维行为空间中也是一种可行的方法。