백본 신경망의 사전 처리된 잠재 공간에서 최적 운송 맵핑을 이용한 전이 학습 기반 소수 샘플 분류

MetaDL Challenge 2020은 소수의 샘플(few-shot) 환경에서 이미지 분류 작업에 초점을 맞추었다. 본 논문은 이 대회에서 두 번째로 높은 성능을 기록한 제출물에 대해 설명한다. 제안하는 메타학습 접근법은 백본 네트워크가 생성한 잠재 공간에서 각 클래스의 분포를 조정하여 보다 정규분포(Gaussian distribution)에 가까워지도록 한다. 이 조작 과정을 우리는 '잠재 공간 변환(Latent Space Transform)' 알고리즘이라 명명한다. 이후, 기존의 레이블이 없는 데이터에서 얻을 수 있는 정보를 효과적으로 활용하기 위해, 기대최대화(Expectation Maximization) 알고리즘의 반복적 정렬 방식을 사용하여 클래스 중심을 추가로 정렬한다. 본 작업에서는 Sinkhorn 알고리즘을 활용한 최적 운송(optimal transport) 맵핑을 적용한다. 실험 결과, 기존의 다양한 방법들(예: K-최근접 이웃 알고리즘, 가우시안 혼합 모델 등)과의 비교에서 본 방법이 우수한 성능을 보였다.