| 李 玹炅 | M, 2回目発表 | 数理情報学（コミュニケーション学） | 池田 和司☆, | 岩田 具治, | 田中 佑典 |
|
title: Investigating Clustering-Based Meta-Learning for Robustness to Support Selection Bias
abstract: Few-shot learning aims to enable models to perform classification on unseen tasks using only a small number of labeled examples. However, when the support set does not adequately represent the overall feature distribution of each class, selection bias can lead to a substantial degradation in classification performance. This study aims to develop a meta-learning method that maintains high classification accuracy even when support selection bias occurs. We are currently investigating a clustering-based approach that generates biased training tasks by clustering images within each meta-training task and sampling support and query sets from different clusters. To evaluate performance under selection bias, we use a greedy search algorithm to construct support sets that reduce the classification accuracy of a standard Prototypical Network. These support sets are then shared between the baseline and the proposed method to ensure a consistent comparison. In future work, we plan to investigate the effects of the number of clusters and the feature representations used for clustering. We will also conduct experiments on additional datasets and comparisons with existing methods to further assess the effectiveness and applicability of the proposed approach. language of the presentation: Japanese 発表題目: クラスタリングを用いたサポート集合の選択バイアスに頑健なメタ学習手法の検討 発表概要: Few-shot学習は、少数のラベル付きデータから未知の分類タスクに対応することを目的とする。しかし、学習に用いるサポート集合がクラス全体の特徴分布を十分に代表していない場合、選択バイアスによって分類性能が大きく低下することがある。本研究では、このようなサポート集合の選択バイアスが生じた状況でも、高い分類性能を維持できるメタ学習手法の開発を目指す。現在は、メタ学習時にタスク内の画像をクラスタリングし、異なるクラスタからサポート集合とクエリ集合を抽出することで、偏りのある学習タスクを生成する手法を検討している。また、選択バイアスのある状況での性能を評価するため、標準的なPrototypical Networksの分類精度が低下するサポート集合をGreedy探索によって生成し、標準手法と提案手法に共通して与える比較実験を行っている。今後は、クラスタ数やクラスタリングに用いる特徴表現の違いによる影響を調査するとともに、他のデータセットや既存手法との比較を進め、提案手法の有効性と適用範囲を検証する。 | |||||