摘要

本文提出了一种新型、通用且高效的方法——无领域依赖的元评分学习（Domain Agnostic Meta Score-based Learning, DAMSL），在跨域少样本学习（Cross-Domain Few-Shot Learning, CD-FSL）任务中显著优于现有最先进方法。我们识别出以往元学习方法存在对源域过拟合的问题，而以往迁移学习方法则未能充分挖掘支持集的结构信息。本文的核心思想在于：不直接使用微调后特征编码器输出的原始得分，而是将这些得分转化为无领域依赖度量空间中的输入坐标。随后，通过图神经网络（Graph Neural Network）在这些坐标上学习嵌入表示与关系函数，从而全面捕捉支持集中得分分布所蕴含的全部信息。我们在多个成熟的CD-FSL基准数据集以及新引入的域上对模型进行了测试，结果表明，DAMSL有效克服了传统元学习与迁移学习方法的局限性，在小规模与大规模域偏移场景下均实现了显著的准确率提升。