실세계 적인 희소 샘플 인식을 위한 얕은 베이지안 메타학습

최근의 최첨단 소수 샘플 학습 기법들은 특성 표현을 위한 효과적인 학습 절차 개발에 주력하며, 이후 간단한 분류기(예: 가장 가까운 중심점 기반)를 사용한다. 본 논문에서는 이러한 접근과 정반대되는 방식을 제안하며, 사용되는 특성에 무관하게 작동하는 방식으로 실제 분류기 층에 대한 메타학습에만 집중한다. 구체적으로, 고전적인 이차 판별 분석(Quadratic Discriminant Analysis, QDA)의 베이지안 메타학습 일반화인 MetaQDA를 도입한다. 이 설계는 실무자들에게 다음과 같은 여러 장점을 제공한다: 특성 미세조정 없이도 빠르고 메모리 효율적인 메타학습이 가능하며, 사전에 제공되는 특성의 종류에 관계없이 적용 가능하므로 특성 표현 기술의 발전에도 지속적으로 이점을 얻을 수 있다. 실험적으로는 도메인 간 소수 샘플 학습에서 안정적인 성능을 보이며, 특히 실세계 응용에 있어 예측의 불확실성 보정(uncertainty calibration)이 향상된다는 점에서 중요한 이점을 제공한다.