摘要

开创性的无监督元学习方法CACTUs是一种基于聚类的伪标签方法。该方法具有模型无关性，可以与监督算法结合以从未标记数据中进行学习。然而，它经常面临标签不一致或多样性不足的问题，导致性能较差。在本研究中，我们证明了这一问题的核心原因在于嵌入空间缺乏聚类友好的特性。为了解决这一问题，我们通过最小化类间相似度与类内相似度的比值来提供聚类友好的嵌入特征，并通过全面的实验验证了我们的方法。值得注意的是，尽管我们在嵌入空间中仅使用了一种简单的聚类算法（k-means）来获取伪标签，但我们仍然实现了显著的性能提升。此外，我们采用了渐进式评估机制以获得更加多样化的样本，从而进一步缓解多样性不足的问题。最终，我们的方法同样具有模型无关性，并且可以轻松集成到现有的监督方法中。为了展示其泛化能力，我们将该方法集成到了两个代表性算法中：MAML和EP。在三个主要的少样本基准测试上的结果清楚地表明，所提出的方法相比现有最先进模型实现了显著的性能提升。特别值得一提的是，在两项任务中，我们的方法还优于相应的监督方法。