直推式少样本学习：聚类即你所需要？

我们研究了一种用于聚类和直推式少样本学习的通用表述，它集成了基于原型的目標、拉普拉斯正则化以及来自少量标注数据点的监督约束。我们提出了该问题的凹凸松弛，并推导出一种计算高效的块坐标界优化器，具有收敛保证。在每次迭代中，我们的优化器计算每个点到簇分配的独立（并行）更新。因此，它可以平凡地分布式处理大规模聚类和少样本任务。此外，我们基于点到集映射提供了彻底的收敛分析。我们报告了在各种数据集上全面的聚类和少样本学习实验，表明我们的方法在准确率和优化质量方面具有竞争力，同时可扩展至大规模问题。使用在基类上的标准训练，无需借助复杂的元学习和情景训练策略，我们的方法在各种模型、设置和数据集上以显著优势超越最先进的少样本方法。令人惊讶的是，我们发现即使是标准聚类过程（例如 K-means），作为我们通用模型的特定非正则化情形，相较于少样本学习中的最先进水平已经取得了有竞争力的性能。这些令人惊讶的结果指出了当前少样本基准的局限性，并质疑近期文献中大量复杂少样本学习技术的可行性。