소수 샘플 인식을 위한 지식 그래프 전이 네트워크

소수 샘플 학습(few-shot learning)은 충분한 훈련 샘플을 가진 기초 범주(base categories)를 바탕으로, 매우 적은 샘플만으로 새로운 범주를 학습하는 것을 목표로 한다. 이 작업의 주요 과제는 새로운 범주가 주어진 훈련 샘플에 특화된 색상, 질감, 형태 또는 배경 맥락(즉, 특이성)에 의해 지배되기 쉬운 점이다. 이러한 특이성은 주어진 소수의 훈련 샘플에서는 두드러지지만, 해당 범주 전체에 공통적으로 나타나는 특징은 아니다(그림 1 참조). 다행히도, 우리는 관련된 기초 범주들 간의 정보를 전이하는 것이 새로운 개념을 효과적으로 학습하는 데 도움이 되며, 이로써 새로운 개념이 특이성에 의해 지배되는 것을 방지할 수 있음을 발견했다. 또한, 다양한 범주 간의 의미적 상관관계를 통합하면 이러한 정보 전이를 효과적으로 정규화할 수 있다. 본 연구에서는 의미적 상관관계를 구조화된 지식 그래프 형태로 표현하고, 이를 심층 신경망에 통합하여 새로운 지식 그래프 전이 네트워크(Knowledge Graph Transfer Network, KGTN)를 제안함으로써 소수 샘플 학습을 촉진한다. 구체적으로, 각 노드를 해당 범주에 대응하는 분류기 가중치로 초기화하고, 그래프를 통해 노드 메시지를 적응적으로 전파하는 메커니즘을 학습함으로써 노드 간의 상호작용을 탐색하고, 기초 범주의 분류기 정보를 새로운 범주의 분류기로 전이한다. ImageNet 데이터셋에서 실시한 광범위한 실험 결과, 현재 최고의 경쟁 모델들과 비교해 뚜렷한 성능 향상을 확인할 수 있었다. 더불어, 6,000개의 더 큰 규모의 범주를 포함하는 ImageNet-6K 데이터셋을 구축하였으며, 이 데이터셋에서의 실험을 통해 제안된 모델의 효과성을 추가로 입증하였다. 본 연구의 코드와 모델은 https://github.com/MyChocer/KGTN 에 공개되어 있다.