Unsupervised Meta-Learning의 특성을 통한 Few-Shot Task 재검토

메타-러닝은 소수 샘플 이미지 분류(few-shot image classification)를 위한 실용적인 접근 방식으로, "분류기 학습 전략"이 라벨된 기본 클래스에서 메타-러닝되고 새로운 클래스의 작업에 적용될 수 있습니다. 우리는 기본 클래스 라벨의 요구사항을 제거하고 비지도 메타-러닝(Unsupervised Meta-Learning, UML)을 통해 일반화 가능한 임베딩을 학습합니다. 구체적으로, 메타-훈련 중에는 라벨이 없는 기본 클래스 데이터 증강을 사용하여 작업 에피소드를 구성하고, 메타-테스트 중에는 라벨이 있는 소수 샘플 예제를 사용하여 새로운 작업에 임베딩 기반 분류기를 적용합니다.우리는 UML에서 두 가지 요소가 중요한 역할을 하는 것을 관찰했습니다. 즉, 작업 샘플링 방법과 인스턴스 간 유사성 측정 방법입니다. 따라서 두 가지 단순한 수정을 통해 강력한 베이스라인을 얻었습니다. 충분한 샘플링 전략으로 한 에피소드당 여러 작업을 효율적으로 구성하며, 반 정규화된 유사성을 사용하는 것입니다. 그런 다음, 두 가지 방향으로 작업의 특성을 활용하여 더 나은 개선을 도모하였습니다.첫째, 혼동 인스턴스를 합성하여 더 구별력 있는 임베딩 추출에 도움을 주었습니다. 둘째, 메타-훈련 중에 작업별 임베딩 변환(task-specific embedding transformation)을 보조 컴포넌트로 활용하여事前适应的嵌入(pre-adapted embeddings)의 일반화 능력을 향상시켰습니다.소수 샘플 학습 벤치마크에서 수행한 실험 결과는 우리의 접근 방식이 이전 UML 방법들을 능가하며, 지도형 변형(supervised variants)과 비교해도 유사하거나 그보다 우수한 성능을 달성함을 확인하였습니다.(Note: The sentence "事前适应的嵌入(pre-adapted embeddings)" was mistakenly written in Chinese. Here is the corrected version in Korean: "事前适应的嵌入(pre-adapted embeddings)" should be "사전 적응된 임베딩(pre-adapted embeddings)".)修正后的翻译如下：메타-훈련 중에는 라벨이 없는 기본 클래스 데이터 증강을 사용하여 작업 에피소드를 구성하고, 메타-테스트 중에는 라벨이 있는 소수 샘플 예제를 사용하여 새로운 작업에 임베딩 기반 분류기를 적용합니다.우리는 UML에서 두 가지 요소가 중요한 역할을 하는 것을 관찰했습니다. 즉, 작업 샘플링 방법과 인스턴스 간 유사성 측정 방법입니다. 따라서 두 가지 단순한 수정을 통해 강력한 베이스라인을 얻었습니다. 충분한 샘플링 전략으로 한 에피소드당 여러 작업을 효율적으로 구성하며, 반 정규화된 유사성을 사용하는 것입니다. 그런 다음, 두 가지 방향으로 작업의 특성을 활용하여 더 나은 개선을 도모하였습니다.첫째, 혼동 인스턴스를 합성하여 더 구별력 있는 임베딩 추출에 도움을 주었습니다. 둘째, 사전 적응된 임베딩(pre-adapted embeddings)의 일반화 능력을 향상시키기 위해 메타-훈련 중에 작업별 임베딩 변환(task-specific embedding transformation)을 보조 컴포넌트로 활용하였습니다.소수 샘플 학습 벤치마크에서 수행한 실험 결과는 우리의 접근 방식이 이전 UML 방법들을 능가하며, 지도형 변형(supervised variants)과 비교해도 유사하거나 그보다 우수한 성능을 달성함을 확인하였습니다.