소수 샘플 이미지 분류에서 표현 부족을 보완하기 위한 메타학습 접근법

소수 샘플 학습(few-shot learning)은 실제 응용에서 풍부한 학습 샘플을 확보하기 어려운 점으로 인해 최근 점점 더 많은 주목을 받고 있는 도전적인 문제이다. 이를 해결하기 위해 메타학습(meta-learning)이 제안되었으며, 이는 제한된 레이블링된 샘플을 바탕으로 기초 학습기(base-learner)가 새로운 작업에 빠르게 적응할 수 있도록 하는 데 초점을 맞추고 있다. 그러나 메타학습의 핵심 과제는 표현 부족(representation deficiency)이다. 즉, 학습 샘플이 극히 적거나 단 하나일 경우 공통적인 정보를 탐색하기 어렵고, 그로 인해 핵심 특징의 표현도 제한된다. 그 결과, 고차원 매개변수 공간에서 메타학습기가 새로운 작업으로 일반화하기 위해 충분히 학습되기 어려워진다. 기존의 방법들은 표현력이 낮은 특징을 추출함으로써 표현 부족 문제를 피하려는 경향이 있다. 더 나은 표현을 학습하기 위해, 본 연구에서는 보완적 표현 네트워크(complemented representations network, MCRNet)를 도입한 메타학습 접근법을 제안한다. 특히, 잠재 공간(latent space)을 도입하여 추가적인 표현 정보를 활용해 잠재 코드를 재구성함으로써 표현 부족을 보완한다. 더불어, 이 잠재 공간은 변분 추론(variational inference)을 기반으로 구축되어 다양한 기초 학습기와 잘 호환되며, 다른 모델로도 확장 가능하다. 최종적으로, 제안하는 엔드투엔드(end-to-end) 프레임워크는 세 가지 표준 소수 샘플 학습 데이터셋에서 이미지 분류 작업에서 최신 기준(SOTA) 성능을 달성하였다.