13일 전

다양한 도메인에서 적은 샘플 분류를 위한 적대적 태스크 증강

Haoqing Wang, Zhi-Hong Deng
다양한 도메인에서 적은 샘플 분류를 위한 적대적 태스크 증강
초록

소수 샘플 분류(few-shot classification)는 각 클래스로부터 극소수의 레이블링된 샘플만을 사용하여 미지의 클래스를 인식하는 것을 목표로 한다. 소수 샘플 분류를 위한 많은 메타학습 모델들은 이러한 문제를 해결하기 위해 다양한 작업 공유형의 유추 편향(inductive bias, 메타지식)을 정교하게 설계하며, 놀라운 성능을 달성하고 있다. 그러나 학습 작업과 테스트 작업 사이에 도메인 차이(domain shift)가 존재할 경우, 얻어진 유추 편향은 도메인 간 일반화에 실패하게 되어 메타학습 모델의 성능이 저하된다. 본 연구에서는 작업 증강(task augmentation)을 통해 유추 편향의 견고성(로버스트성)을 향상시키는 것을 목표로 한다. 구체적으로, 원천 작업 분포 주변의 최악의 경우를 고려하고, 유추 편향에 적응 가능한 ‘도전적인’ 작업을 생성할 수 있는 적대적 작업 증강(adversarial task augmentation) 방법을 제안한다. 본 방법은 다양한 메타학습 모델에 간단히 통합하여 사용 가능한 플러그 앤 플레이 모듈로 활용 가능하며, 모델의 도메인 간 일반화 능력을 향상시킬 수 있다. 다양한 도메인 간 설정에서 9개의 소수 샘플 분류 데이터셋(mini-ImageNet, CUB, Cars, Places, Plantae, CropDiseases, EuroSAT, ISIC, ChestX)을 활용하여 광범위한 실험을 수행하였으며, 실험 결과 본 방법이 도메인 차이 하에서도 메타학습 모델의 소수 샘플 분류 성능을 효과적으로 향상시킴을 입증하였으며, 기존의 방법들보다 우수한 성능을 보였다. 본 연구의 코드는 https://github.com/Haoqing-Wang/CDFSL-ATA 에서 공개되어 있다.

다양한 도메인에서 적은 샘플 분류를 위한 적대적 태스크 증강 | 최신 연구 논문 | HyperAI초신경