[论文翻译]自适应降维与变分推断在转导式少样本分类中的应用

考虑到数据标注的成本以及少样本领域中未标记样本提供的更高准确性，转导式少样本学习 (Transductive Few-Shot learning) 近年来受到越来越多的关注。特别是在少样本分类 (FSC) 中，近期研究致力于探索特征分布，以最大化关于未知参数的似然或后验概率。沿着这一思路，并考虑到 FSC 与聚类之间的相似性，我们试图更好地处理由于数据不足导致的估计不确定性，以及提升与每个类别相关联的聚类统计特性。