A Média Geométrica Melhora a Perda para Aprendizado com Poucos Exemplos

O aprendizado com poucos exemplos (FSL) é uma tarefa desafiadora em aprendizado de máquina, exigindo que um modelo realize classificação discriminativa utilizando apenas alguns poucos exemplos rotulados. Na literatura do FSL, modelos profundos são treinados de maneira de aprendizado métrico para fornecer uma métrica em um espaço de características que seja bem generalizável para classificar amostras de novas classes; nesse espaço, mesmo uma quantidade pequena de exemplos de treinamento rotulados pode construir um classificador decente. Neste artigo, propomos uma nova perda FSL baseada na média geométrica para incorporar métricas efetivas em características profundas. Em contraste com outras perdas, como a que utiliza média aritmética em formulações baseadas em softmax, o método proposto aproveita a média geométrica para agregar relações par-a-par entre as amostras, aprimorando a métrica discriminativa entre as categorias de classe. A perda proposta é formulada de maneira simples, mas também é analisada de forma teórica para revelar suas características favoráveis, que são benéficas para o aprendizado de métricas de características em FSL. Nos experimentos em tarefas de classificação de imagens com poucos exemplos, o método apresenta desempenho competitivo em comparação com outras perdas.