확률 모델을 사용한 차별적 k-샷 학습

본 논문은 k-샷 이미지 분류를 위한 확률적 프레임워크를 소개합니다. 이 연구의 목표는 초기 대규모 분류 작업에서 새로운 클래스와 소수의 예제로 구성된 별도의 작업으로 일반화하는 것입니다. 새로운 접근 방식은 초기 작업에서 신경망이 학습한 특징 기반 표현(표현 전이)뿐만 아니라 클래스에 대한 정보(개념 전이)도 활용합니다. 개념 정보는 신경망의 최종 레이어 가중치를 모델링하는 확률적 모델에 캡슐화되어 있으며, 이 모델은 확률적 k-샷 학습을 위한 사전 확률분포 역할을 합니다. 우리는 간단한 확률적 모델조차 표준 k-샷 학습 데이터셋에서 큰 마진으로 최신 성능을 달성함을 보여주며, 또한 불확실성을 정확히 모델링하여 잘 교정된 분류기를 제공하며, 최근의 많은 k-샷 학습 접근법과 달리 쉽게 확장되고 유연하다는 점을 입증하였습니다.