摘要

少样本分类（Few-shot classification）是指在只有少数示例的情况下学习新类别的分类器。尽管已经出现了大量模型来解决这一问题，但我们发现用于评估这些模型进展的程序和数据集存在不足。为了解决这一局限性，我们提出了Meta-Dataset：一个新的基准，用于训练和评估模型，其特点是大规模、包含多样化的数据集，并且呈现更加现实的任务。我们在Meta-Dataset上对流行的基线模型和元学习器进行了实验，并引入了一种具有竞争力的方法。我们分析了测试任务的各种特征对性能的影响，并考察了模型利用多样化训练源以提高泛化能力的能力。此外，我们还提出了一组新的基线模型，用于量化元学习在Meta-Dataset中的优势。我们的广泛实验揭示了一些重要的研究挑战，我们希望这些发现能够激发相关方向的研究工作。