초록
우리는 소수 샘플 분류(few-shot classification) 문제를 해결하기 위해 프로토타입 네트워크(prototypical networks)를 제안합니다. 이 문제에서 분류기는 훈련 세트에 나타나지 않은 새로운 클래스에 일반화해야 하며, 각 새로운 클래스의 몇 개의 예시만 주어진 상태에서 이를 수행해야 합니다. 프로토타입 네트워크는 각 클래스의 프로토타입 표현과의 거리를 계산하여 분류가 수행될 수 있는 메트릭 공간(metric space)을 학습합니다. 최근의 소수 샘플 학습(few-shot learning) 접근법들과 비교할 때, 프로토타입 네트워크는 이 데이터 제한 환경에서 유리한 더 간단한 귀납적 편향(inductive bias)을 반영하며, 뛰어난 결과를 달성합니다. 우리는 일부 단순한 설계 결정이 복잡한 아키텍처 선택 및 메타 학습(meta-learning)을 포함하는 최근 접근법들보다 실질적인 개선을 가져올 수 있다는 분석을 제공합니다. 또한, 우리는 프로토타입 네트워크를 제로 샷 학습(zero-shot learning)으로 확장하여 CU-Birds 데이터셋에서 최고 수준의 결과를 달성하였습니다.