通过元组件组合实现少样本学习中的更好泛化

在少样本学习中，分类器需仅凭少量每个新类的实例即可泛化到未见类别。众所周知，基于度量的元学习是少样本学习的流行解决方案，但高度依赖于在已见类别上学习的深度度量，这可能导致对已见类别过拟合，难以在未见类别上获得良好泛化。为改进泛化性，本文探索了分类器的子结构，提出一种新的元学习算法，将每个分类器学习为元组件的组合。元组件是在多个元学习episode中在已见类别上学习的，并通过施加正交正则化来实现解耦，以促进其多样性并捕捉不同分类器之间各种共享子结构。在少样本基准任务上的大量实验表明，所提方法在性能上具有优势。