초록
소수 샘플 분류(Few-shot classification)는 몇 개의 주석이 달린 샘플만 주어진 상황에서 새로운 클래스에 효과적으로 적응할 수 있는 예측 모델을 학습하는 것을 의미합니다. 이 어려운 문제를 해결하기 위해 메타러닝(meta-learning)은 "적응 학습" 능력을 주장하며 인기 있는 패러다임으로 부상하였습니다. 그러나 최근 연구들은 메타러닝 없이 간단한 학습 전략도 경쟁력 있을 수 있다는 점을 보여주었습니다. 본 논문에서는 한 걸음 더 나아가, 소수 샘플 학습 분류기의 근본적인 고분산(high-variance) 문제를 해결함으로써 현재의 메타러닝 기술을 크게 능가할 수 있음을 증명합니다. 우리의 접근 방식은 분류기의 분산을 활용하기 위해 딥 네트워크(deep networks) 앙상블(ensemble)을 설계하고, 네트워크 간 협력을 촉진하면서 예측 다양성을 격려하는 새로운 전략을 도입하는 것입니다. 평가는 mini-ImageNet 및 CUB 데이터셋에서 수행되었으며, 증류(distillation)를 통해 얻은 단일 네트워크조차도 최신 기술(state-of-the-art) 결과를 나타냄을 보여주었습니다.