원샷 학습을 위한 매칭 네트워크

소수의 예제로부터 학습하는 것은 여전히 기계학습의 주요 과제입니다. 최근 시각 및 언어와 같은 중요한 영역에서 많은 발전이 이루어졌음에도 불구하고, 표준 지도형 딥러닝 패러다임은 적은 데이터로 새로운 개념을 빠르게 학습하는 데 만족할 만한 해결책을 제공하지 않습니다. 본 연구에서는 딥 신경 특징을 기반으로 하는 메트릭 학습과 외부 메모리를 추가하여 신경망을 개선한 최근 연구들의 아이디어를 활용합니다. 우리의 프레임워크는 작은 라벨된 지원 세트와 라벨이 없는 예제를 해당 예제의 라벨로 매핑하는 네트워크를 학습합니다. 이는 새로운 클래스 유형에 적응하기 위해 미세 조정(fine-tuning)이 필요 없도록 합니다. 우리는 시각(오미글롯, 이미지넷 사용)과 언어 작업에서 원샷 학습 문제를 정의합니다. 우리의 알고리즘은 경쟁 접근법에 비해 이미지넷에서 원샷 정확도를 87.6%에서 93.2%로, 오미글롯에서 88.0%에서 93.8%로 향상시킵니다. 또한 우리는 펜 트리뱅크(Penn Treebank)에서 원샷 작업을 도입하여 언어 모델링에서도 동일한 모델의 유용성을 입증하였습니다.