초록
소수 샘플 학습(few-shot learning)은 레이블이 부족한 새로운 클래스를 인식하는 것을 요구한다. 기존 연구에서 프로토타입 네트워크(Prototypical network)는 유용하게 활용되지만, 레이블이 극히 부족한 데이터의 크기 분포가 좁은 경우, 일반적으로 편향된 프로토타입이 생성되는 경향이 있다. 본 논문에서는 이 과정에 영향을 미치는 두 가지 핵심 요인, 즉 클래스 내 편향(intra-class bias)과 클래스 간 편향(cross-class bias)을 규명한다. 이를 바탕으로, 전도적 설정(transductive setting)에서 프로토타입 보정을 위한 간단하면서도 효과적인 방법을 제안한다. 제안하는 방법은 클래스 내 편향을 줄이기 위해 레이블 전파(label propagation)를 활용하고, 클래스 간 편향을 줄이기 위해 특징 이동(feature shifting)을 적용한다. 또한 이 방법의 타당성을 입증하기 위해 이론적 분석을 수행하며, 성능의 하한값(lower bound)을 도출한다. 제안된 방법은 세 가지 소수 샘플 벤치마크에서 효과성을 입증하였다. 특히, miniImageNet에서는 1-샷(1-shot)에서 70.31%, 5-샷(5-shot)에서 81.89%의 성능을 달성하였으며, tieredImageNet에서는 1-샷에서 78.74%, 5-샷에서 86.92%의 최신 기술(SOTA) 수준 성능을 기록하였다.