초록
딥러닝 연구와 대규모 데이터셋의 혜택을 받아, 주목도 예측은 지난 10년 동안 상당한 성공을 거두었습니다. 그러나 새로운 영역에서 충분한 데이터가 부족하여 데이터에 의존적인 모델로 주목도 맵을 예측하는 것은 여전히 어려운 문제입니다. 이 문제를 해결하기 위해, 우리는 소수 샘플 전이 학습 패러다임(few-shot transfer learning paradigm)을 제안합니다. 이 방법은 기존의 대규모 주목도 데이터셋에서 얻은 지식을 제한된 라벨링된 예제가 있는 타겟 도메인으로 효율적으로 전이할 수 있도록 합니다. 구체적으로, 매우 적은 수의 타겟 도메인 예제를 참조로 사용하여 소스 도메인 데이터셋으로 모델을 훈련시키는 방식으로, 훈련 과정이 타겟 도메인에 유리한 국소 최소값에 수렴할 수 있습니다. 그런 다음, 학습된 모델은 참조 데이터를 통해 추가적으로 미세 조정됩니다. 제안된 프레임워크는 그래디언트 기반이고 모델 독립적입니다. 우리는 다양한 소스 도메인과 타겟 도메인 쌍에 대해 포괄적인 실험과 아블레이션 연구(ablation study)를 수행했습니다. 결과는 제안된 프레임워크가 상당한 성능 개선을 달성함을 보여줍니다. 코드는 공개되어 있으며, 다음 URL에서 확인할 수 있습니다: \url{https://github.com/luoyan407/n-reference}.