초록
우리는 소수 샘플(few-shot) 작업을 위한 전도적(Laplacian-regularized) 추론을 제안한다. 기저 클래스로부터 학습된 임베딩 특징을 기반으로, 두 가지 항을 포함하는 이차 이진 할당 함수를 최소화한다. 첫째, 쿼리 샘플을 가장 가까운 클래스 프로토타입에 할당하는 단항 항이며, 둘째, 근접한 쿼리 샘플이 일관된 레이블 할당을 가지도록 유도하는 쌍별 라플라시안 항이다. 제안하는 전도적 추론은 기저 모델을 재학습하지 않으며, 지원 세트(support set)로부터 유도된 감독 제약 조건 하에서 쿼리 세트의 그래프 클러스터링으로 볼 수 있다. 본 연구에서는 제안한 함수의 완화된 형태에 대해 계산 효율적인 경계 최적화 방법을 도출하였으며, 각 쿼리 샘플에 대해 독립적(병렬)으로 업데이트를 수행하면서 수렴을 보장한다. 복잡한 메타학습 전략 없이 기저 클래스에 대한 단순한 교차 엔트로피 학습을 수행한 후, 다섯 가지 소수 샘플 학습 벤치마크에서 포괄적인 실험을 수행하였다. 실험 결과, 다양한 모델, 설정 및 데이터셋에서 라플라시안샷(LaplacianShot)은 기존 최첨단 방법들을 상당한 성능 차이로 능가하였다. 또한 제안한 전도적 추론은 계산 시간이 유도적(inductive) 추론과 거의 유사하여 매우 빠르며, 대규모 소수 샘플 작업에 활용 가능하다.