面向标签高效元学习的多维置信度量化

基于优化的元学习为少样本学习提供了一条有前景的方向，而少样本学习对许多现实世界的计算机视觉应用至关重要。然而，从少量样本学习会引入不确定性，且对少样本预测量化模型置信度对许多关键领域而言必不可少。此外，元训练中所用的少样本任务通常从任务分布中随机采样以进行迭代模型更新，导致元训练中标注重本与计算开销高。我们提出了一种用于标签高效元学习的新型不确定性感知任务选择模型。该模型构建了多维置信度度量，可量化任意给定任务的已知不确定性并给出其未知不确定性的下界。我们的理论结果建立了冲突置信度与错误置信度之间的重要关系。该理论结果使我们能够估计任务的总不确定性，从而为任务选择提供有原则的准则。进一步开发了新型多查询任务构造，以提升元学习的计算与标注效率。在多个真实世界少样本图像分类任务上的实验证明了所提模型的有效性。