초록
우리는 오랜 시간 동안 연구되어 온 소량 샘플에서 학습하는 문제를 재검토합니다. 이를 위해 새로운 방법인 GLICO (Generative Latent Implicit Conditional Optimization)를 제안합니다. GLICO는 훈련 예제들을 잠재 공간으로 매핑하고, 이 잠재 공간의 벡터들로부터 이미지를 생성하는 생성기를 학습합니다. 최근 대부분의 연구들이 대량의 라벨이 없는 데이터에 접근을 필요로 하는 것과 달리, GLICO는 소량의 라벨이 있는 포인트들 외에 어떠한 추가적인 데이터에도 접근할 필요가 없습니다. 실제로, GLICO는 각 클래스당 5개 또는 10개의 예제만으로도 완전히 새로운 샘플을 합성하며, 최대 10개의 클래스에서도 어떠한 사전 정보도 부과하지 않고 이러한 작업을 수행할 수 있습니다. GLICO는 분류기 학습 시 소량의 훈련 세트를 증강하기 위해 사용됩니다. 이를 위해 제안된 방법은 구면 보간법을 사용하여 학습된 잠재 공간에서 샘플링하고, 훈련된 생성기를 통해 새로운 예제들을 생성합니다. 경험적 결과는 새롭게 샘플링된 세트가 충분히 다양하다는 것을 보여주며, CIFAR-10, CIFAR-100, 그리고 CUB-200에서 얻은 소량 샘플로 훈련시 기존 최고 성능보다 이미지 분류 성능이 개선됨을 입증합니다.