[论文翻译]基于元迁移学习的少样本学习
元学习（Meta-learning）被提出作为解决少样本学习挑战性场景的框架。其核心思想是利用大量相似的少样本任务，学习如何将基础学习器（base-learner）适配到仅有少量标注样本的新任务中。由于深度神经网络（DNN）容易在少量样本下过拟合，元学习通常采用浅层神经网络（SNN），从而限制了其效果。本文提出一种名为元迁移学习（MTL）的新型少样本学习方法，通过学习调整深度神经网络以适应少样本学习任务。具体而言，"元"指训练多个任务，"迁移"则通过为每个任务学习DNN权重的缩放和偏移函数实现。此外，我们引入硬任务（HT）元批次方案作为MTL的有效课程学习策略。我们在两个具有挑战性的少样本学习基准数据集（mini ImageNet和Fewshot-CIFAR100）上进行了（5类1样本）和（5类5样本）识别任务的实验。与相关工作的广泛对比验证了采用HT元批次训练的元迁移学习方法达到了最优性能。消融实验也表明，两个组件共同促进了快速收敛和高准确率[20]。
