초록
라벨링된 데이터 없이 단 하나의 샘플만 클래스당 레이블링하는 조건에서 완전히 감독 학습의 성능에 도달하는 것은 딥러닝 응용 분야에서 이상적인 상황일 수 있다. 본 연구에서는 CIFAR-10과 SVHN에서 최초로 단일 샘플만으로 반감독 학습을 수행하는 ‘단일 샘플 반감독 학습(Boss, One-shot Semi-Supervised Learning)’의 가능성을 입증하며, 완전 감독 학습과 비교할 수 있는 테스트 정확도를 달성하였다. 제안하는 방법은 클래스 프로토타입 개선, 클래스 균형 조절, 그리고 자기학습(self-training)을 결합한 것으로, 효과적인 프로토타입 선택이 핵심이며, 이를 위해 상징적인 예시(아이콘 예시)를 얻기 위한 기법을 제안하였다. 또한 클래스 균형 조절 기법이 반감독 학습에서 정확도 향상에 크게 기여함을 입증하였으며, 이는 자기학습이 완전 감독 학습 수준의 성능에 도달할 수 있도록 가능하게 한다. 철저한 실험적 평가를 통해 대규모 데이터셋의 레이블링이 딥 네트워크 학습에 반드시 필요하지 않다는 증거를 제시하였다. 본 연구의 코드는 https://github.com/lnsmith54/BOSS 에 공개되어 있어 재현성 확보 및 향후 실제 응용 분야에서의 활용을 지원한다.