긴 꼬리 시각 인식을 위한 클래스 균형 방법의 재고: 도메인 적응 관점에서

실제 세계에서 객체의 빈도는 흔히 멱법칙(power law)을 따르며, 이로 인해 머신러닝 모델이 학습하는 데이터셋의 긴 꼬리(class distribution) 분포와, 모든 클래스에 대해 우수한 성능을 기대하는 우리의 기대 사이에 불일치가 발생한다. 본 연구에서는 도메인 적응(domain adaptation) 관점에서 이러한 불일치를 분석한다. 먼저, 기존의 긴 꼬리 분류를 위한 클래스 균형화 기법들이 도메인 적응에서 잘 연구된 '타겟 이동(target shift)' 상황과 연결됨을 밝힌다. 이러한 연결을 통해 기존 기법들은 학습 데이터와 테스트 데이터가 동일한 클래스 조건부 분포(class-conditioned distribution)를 공유한다고 암묵적으로 가정하고 있음을 발견할 수 있다. 그러나 이는 일반적으로 성립하지 않으며, 특히 꼬리 클래스(tail classes)의 경우 더욱 그렇다. 머리 클래스(head classes)는 추론 시 기대되는 데이터를 잘 대표할 만큼 풍부하고 다양한 학습 예시를 포함할 수 있지만, 꼬리 클래스는 대표적인 학습 데이터가 부족한 경향이 있다. 이러한 문제를 해결하기 위해, 메타학습(meta-learning) 접근법을 활용하여 클래스 조건부 분포 간의 차이를 명시적으로 추정함으로써 전통적인 클래스 균형 학습을 보완하는 새로운 방법을 제안한다. 제안한 방법은 여섯 개의 벤치마크 데이터셋과 세 가지 손실 함수를 통해 검증되었다.