- Prototypical Networksは各クラスの少数例を埋め込み空間で平均し、その代表点への距離で新しい画像を分類する。
- miniImageNetの5クラス評価では、1クラス1例で49.42%、5例で68.20%だった。
- 高い点数は同じ形式の新規クラスを想定する評価であり、未知の現場分類へそのまま移せない。
何を確かめた研究か
原論文は、画像を分類したい新しい種類が現れた時、各種類のラベル付き画像が数枚しかなくても判定できるかを調べる。通常の分類器を少数例で最初から学ぶと過適合しやすい。提案法は、別の多くのクラスで画像を特徴ベクトルへ変える関数を学び、新規クラスではラベル付き例の特徴を平均して「プロトタイプ」を作る。問い合わせ画像は各プロトタイプへの距離で分類する。
一件の新しい分類課題を「エピソード」として繰り返し作り、訓練時から少数例でクラスを区別する練習をする。平均値だけを使う設計なので、より複雑な注意機構を使う方法と比べて何が必要かを検討しやすい。
どう検証したか
手書き文字のOmniglotと、一般画像のminiImageNetで評価した。miniImageNetの表2は、訓練に64クラス、検証に16クラス、テストに20クラスを分け、テストは600エピソードの平均と95%信頼区間を示す。各エピソードでは5つの新規クラスを分類し、クラス当たり1例か5例を見せる。比較対象にはMatching NetworksやMeta-Learner LSTMを使った。
何が分かったか
miniImageNetの5分類で、Prototypical Networksの正答率は1例条件49.42±0.78%、5例条件68.20±0.66%だった。Matching Networks FCEの43.56±0.84%、55.31±0.73%を上回る。ただし先行手法の表の値は別研究からの引用で、訓練エピソードの細部まで完全に揃えた直接再実装比較ではない。
図2では距離の種類と訓練時のクラス数を変えると結果が変わる。5クラスを試す時にも、訓練を20クラスにすると改善する場合があり、単純な「クラス平均」の式だけが得点を決めるわけではない。
限界と仕事との接点
新規クラスが学習済みクラスと全く異なる分布なら、特徴空間で近くなる保証はない。各クラスの例が偏っていれば平均もずれる。実務では、少数例を集める過程と未知クラスの種類を明示し、クラスごとの誤分類を点検する。分類対象が時間とともに増えるなら、代表点を更新する頻度も試す。最後はTRAIL編集部の提案である。