通过集合函数与最优传输增强无监督图少样本学习

图少样本学习因其能够快速适应具有少量标注数据的下游任务而备受关注，引起了研究人员的极大兴趣。图少样本学习模型的最新进展在多种应用中展现出卓越的性能。尽管取得了成功，但仍存在若干局限性。首先，现有模型在元训练阶段主要关注任务内的实例级特征，忽略了区分不同类别所必需的关键集合级特征。其次，这些模型通常直接在仅包含少量标注样本的支持集上训练分类器，并将其应用于查询集，忽略了这些集合之间潜在的分布偏移，导致性能次优。最后，先前的模型通常需要来自基类的大量标注数据来提取可迁移知识，这在现实场景中通常是不可行的。为了解决这些问题，我们提出了一种名为 STAR 的新模型，该模型利用集合函数和最优传输来增强无监督图少样本学习。具体而言，STAR 利用具有表达能力的集合函数以无监督方式获取集合级特征，并采用最优传输原理对齐支持集和查询集的分布，从而缓解分布偏移效应。理论分析表明，STAR 能够捕获更多与任务相关的信息并增强泛化能力。在经验上，跨多个数据集的大量实验验证了 STAR 的有效性。我们的代码可在此处找到。