라벨 전파 학습: 소수 샘플 학습을 위한 전도적 전파 네트워크

소수 샘플 학습(few-shot learning)의 목표는 각 클래스당 제한된 수의 훈련 샘플로도 잘 일반화하는 분류기를 학습하는 것입니다. 최근 도입된 메타학습(meta-learning) 접근 방식은 많은 다중 클래스 분류 작업을 통해 일반적인 분류기를 학습하고, 이를 새로운 작업에 일반화시키는 방법으로 이 문제를 해결합니다. 그러나 이러한 메타학습 조차도 새로운 분류 작업에서 저데이터(low-data) 문제를 완전히 해결하지는 못합니다. 본 논문에서는 저데이터 문제를 완화하기 위해 전체 테스트 세트를 한 번에 분류하는 전이적 추론(transductive inference)을 위한 새로운 메타학습 프레임워크인 전이적 전파 네트워크(Transductive Propagation Network, TPN)를 제안합니다. 구체적으로, 데이터 내부의 다양체 구조(manifold structure)를 활용하여 그래프 구성 모듈을 학습함으로써 라벨된 인스턴스에서 라벨되지 않은 테스트 인스턴스로 라벨을 전파하는 방법을 제안합니다. TPN은 특징 임베딩(feature embedding)의 매개변수와 그래프 구성(graph construction)을 엔드투엔드(end-to-end) 방식으로 동시에 학습합니다. 우리는 여러 벤치마크 데이터셋에서 TPN을 검증하였으며, 기존 소수 샘플 학습 접근 방식보다 크게 우수한 성능을 보여주며 최신 연구 결과(state-of-the-art results)를 달성하였습니다.