메타-데이터셋: 적은 예제로 부터 학습하기 위한 데이터셋의 데이터셋

소수 샘플 분류(Few-shot classification)는 몇 개의 예시만 주어진 새로운 클래스에 대한 분류기를 학습하는 것을 의미합니다. 다양한 모델들이 이를 해결하기 위해 등장했지만, 이들 모델의 진전을 평가하기 위한 절차와 데이터셋이 부족하다는 문제점을 발견했습니다. 이러한 제한 사항을 해결하기 위해, 대규모로 구성되고 다양한 데이터셋을 포함하며 더 현실적인 작업을 제시하는 새로운 벤치마크인 메타데이터셋(Meta-Dataset)을 제안합니다. 우리는 메타데이터셋에서 인기 있는 기준선 모델들과 메타러너들을 실험하였으며, 경쟁력 있는 방법론도 함께 제안하였습니다. 또한, 테스트 작업의 다양한 특성에 따른 성능을 분석하고, 모델들이 다양한 학습 자료를 활용하여 일반화 능력을 개선할 수 있는 능력을 검토하였습니다. 우리는 또한 메타데이터셋에서 메타러닝의 이점을 측정하기 위한 새로운 기준선 세트를 제안합니다. 우리의 광범위한 실험은 중요한 연구 과제들을 밝혀냈으며, 이 방향으로의 연구를 촉진하길 바랍니다.