초록
소수 샘플 분류(few-shot classification)의 목적은 매우 적은 수의 레이블된 예시를 이용하여 클래스를 구분할 수 있는 모델을 학습하는 것이다. 이러한 맥락에서 기존 연구들은 그래프 신경망(GNNs)을 도입하여 동시에 처리되는 다른 샘플들에 포함된 정보를 활용하고자 하였으며, 이는 문헌에서 일반적으로 '전도적 설정(transductive setting)'이라고 알려져 있다. 이러한 GNN들은 백본 특징 추출기와 함께 함께 학습된다. 본 논문에서는 특징 벡터를 보간(interpolate)하는 데에만 그래프를 활용하는 새로운 방법을 제안한다. 이로 인해 추가적인 학습 파라미터 없이 전도적 학습 설정을 구현할 수 있다. 제안하는 방법은 두 가지 수준의 정보를 활용한다: a) 일반적인 데이터셋에서 얻은 전이 특징(transfer features), b) 분류 대상이 되는 다른 샘플들로부터 얻는 전도적 정보. 표준적인 소수 샘플 시각 분류 데이터셋을 이용하여, 기존의 방법들과 비교해 상당한 성능 향상을 달성함을 실험적으로 입증하였다.