[论文翻译]扩展少样本学习：利用现有资源应对新任务

在许多实际的少样本学习问题中，尽管标注样本稀缺，但存在大量可能包含有用信息的辅助数据集。我们提出扩展少样本学习问题来研究这些场景，并引入一个框架以解决少样本图像分类中高效选择和有效使用辅助数据的挑战。给定大型辅助数据集及类别间语义相似性度量，我们自动选择伪样本（pseudo shots）——即来自与目标任务相关其他类别的标注样本。研究表明，简单方法（如：(1) 将这些额外样本与目标任务样本同等建模，或 (2) 通过迁移学习利用它们学习特征）仅能小幅提升准确率。