초록
소수 샘플 학습(few-shot learning)은 새로운 클래스를 소수의 라벨된 예제로부터 분류기를 구축하는 것을 목표로 하며, 일반적으로 '기반 클래스(base classes)' 집합에서 예제에 접근할 수 있는 것이 이를 촉진합니다. 테스트 세트(새로운 클래스)와 기반 클래스 사이의 데이터 분포 차이로 인해 종종 새로운 클래스에서의 일반화 성능이 저하됩니다. 이러한 분포 이동(distribution shift)으로 인한 문제를 완화하기 위해, 이전 연구에서는 기반 클래스의 라벨된 예제뿐만 아니라 새로운 클래스의 비라벨된 예제를 사용하는 방식, 즉 전도적 설정(transductive setting)을 탐구하였습니다. 본 연구에서는 놀랍게도, 기반 클래스 라벨을 전혀 사용하지 않고 miniImageNet에서 5-shot 정확도가 3.9% 향상되는 결과를 보여주는데, 오프더셜 자기 지도 학습(off-the-shelf self-supervised learning)이 전도적 소수 샘플 방법보다 우수함을 입증하였습니다. 이는 우리에게 자기 지도 학습을 통해 얻은 특징들의 역할을 소수 샘플 학습에서 더욱 면밀히 검토하도록 동기를 부여합니다. 포괄적인 실험이 수행되어 감독 학습과 자기 지도 학습 특징들의 전이 가능성(transferability), 강건성(robustness), 효율성(efficiency), 그리고 상호 보완성(complementarity)을 비교하였습니다.