초록
본 논문에서는 소수 샘플 학습(few-shot learning)을 위한 새로운 엣지 라벨링 그래프 신경망(Edge-Labeling Graph Neural Network, EGNN)을 제안합니다. 기존의 소수 샘플 학습에서 그래프 신경망(Graph Neural Network, GNN) 접근 방식은 노드 라벨링 프레임워크를 기반으로 하여 클러스터 내 유사성과 클러스터 간 차이성을 암시적으로 모델링하였습니다. 반면에 제안된 EGNN은 그래프 상의 엣지 라벨을 예측하는 것을 학습하여, 클러스터 내 유사성과 클러스터 간 차이성을 직접 활용하면서 엣지 라벨을 반복적으로 업데이트함으로써 명시적인 클러스터링의 진화를 가능하게 합니다. 또한 이 모델은 재학습 없이 다양한 클래스 수에 대해 수행하기에 적합하며, 전도적 추론(transductive inference)을 쉽게 확장할 수 있습니다. EGNN의 매개변수는 에피소드 훈련(episodic training)을 통해 엣지 라벨링 손실(edge-labeling loss)로 학습되어, 미리 본 적 없는 저데이터 문제(low-data problem)에 대해 일반화 성능이 우수한 모델을 얻습니다. 두 개의 벤치마크 데이터셋을 사용한 감독 및 준감독 소수 샘플 이미지 분류 작업에서 제안된 EGNN은 기존 GNN들보다 성능을 크게 향상시키는 것으로 나타났습니다.