설명 기반 훈련을 통한 도메인 간 소수 샘플 분류

크로스도메인 소수 샘플 분류 작업(CD-FSC)은 다양한 데이터셋으로 표현된 도메인 간 일반화가 요구되는 소수 샘플 분류를 결합한 설정이다. 이 설정은 각 클래스에 제한된 레이블 데이터가 존재함은 물론, 학습 데이터셋과 테스트 데이터셋 사이의 도메인 차이(distribution shift)로 인해 발생하는 도전 과제를 안고 있다. 본 논문에서는 기존의 소수 샘플 분류(FSC) 모델을 위한 새로운 학습 방식을 제안한다. 이 방식은 FSC 모델의 예측에 기존의 해석 방법(explanation methods)을 적용하여 모델의 중간 특징 맵(intermediate feature maps)에 대해 계산된 해석 점수(explanation scores)를 활용한다. 먼저, FSC 모델의 예측을 해석하기 위해 계층별 관련성 전파(LRP, Layer-wise Relevance Propagation) 방법을 적절히 조정하였다. 두 번째로, 모델에 종속되지 않는 해석 기반의 동적 학습 전략을 개발하여 예측에 중요한 특징을 자동으로 탐색하고 강조하는 방식을 도입하였다. 본 연구의 기여는 새로운 해석 방법을 제안하는 것이 아니라, 기존의 해석 정보를 학습 단계에 어떻게 효과적으로 활용할 수 있는지를 제안하는 데 있다. 우리는 해석 기반의 학습이 모델의 일반화 성능을 효과적으로 향상시킴을 입증하였다. 다양한 FSC 모델인 RelationNet, 크로스 어텐션 네트워크, 그래프 신경망 기반 모델에 대해, miniImageNet, CUB, Cars, Places, Plantae 총 다섯 개의 소수 샘플 학습 데이터셋에서 정확도 향상이 관측되었다. 소스 코드는 다음 링크에서 제공된다: https://github.com/SunJiamei/few-shot-lrp-guided