클래스 관계 재고찰: 절대-상대 지도 및 비지도 소수 샘플 학습

기존의 대부분의 소량 샘플 학습(few-shot learning) 방법들은 이미지 관계를 이진 라벨로 설명합니다. 그러나 이러한 이진 관계는 결정의 부드러움이 부족하기 때문에 복잡한 실제 세계의 관계를 네트워크에 가르치기에 충분하지 않습니다. 또한, 현재의 소량 샘플 학습 모델들은 관계 라벨을 통해 유사성만을 포착하지만, 객체와 관련된 클래스 개념에는 노출되지 않아, 사용 가능한 클래스 라벨을 충분히 활용하지 못함으로써 분류 성능에 악영향을 미칠 가능성이 있습니다. 즉, 어린이들은 실제로 몇몇 사례뿐만 아니라 다른 동물들과의 비교를 통해 호랑이의 개념을 배웁니다. 따라서 우리는 유사성과 클래스 개념 학습이 동시에 이루어져야 한다는 가설을 세웁니다. 이러한 관찰 결과를 바탕으로, 우리는 현재의 소량 샘플 학습 방법에서 단순한 클래스 모델링 문제를 연구합니다. 우리는 클래스 개념 간의 관계를 재고하고, 감독학습 및 비감독학습 시나리오에서 라벨 정보를 완전히 활용하여 이미지 표현을 개선하고 관계 이해를 교정할 수 있는 새로운 절대-상대적 학습(Absolute-relative Learning) 패러다임을 제안합니다. 제안된 패러다임은 공개 데이터셋에서 여러 최신 모델들의 성능을 향상시킵니다.