초록
소수 샘플 학습(few-shot learning) 분야는 클래스별 라벨이 제공되는 지도 학습 설정에서 꾸준히 연구되어 왔습니다. 반면에, 어떠한 라벨도 필요하지 않은 비지도 소수 샘플 학습 설정은 거의 연구되지 않았습니다. 본 논문에서는 비지도 데이터를 사용하여 소수 샘플 작업을 생성하는 방법, 즉 Assume, Augment and Learn (AAL) 방법을 제안합니다. 우리는 비라벨 데이터셋에서 임의의 이미지 부분 집합을 무작위로 라벨링하여 서포트 세트(support set)를 생성합니다. 그런 다음 서포트 세트의 이미지에 데이터 증강(data augmentation)을 적용하고, 서포트 세트의 라벨을 재사용하여 타겟 세트(target set)를 얻습니다. 이렇게 생성된 소수 샘플 작업은 어떤 표준 메타학습 프레임워크에도 사용될 수 있습니다. 훈련이 완료되면 이러한 모델은 어떠한 변경이나 미세 조정(fine-tuning) 없이 작은 실제 라벨링된 데이터셋에 직접 적용할 수 있습니다. 실험 결과, 학습된 모델들은 Omniglot 및 Mini-Imagenet에서 다양한 기존 소수 샘플 학습 작업에서 우수한 일반화 성능을 보였습니다.