초록
소수 샘플을 사용할 때 발생하는 불확실성으로 인해 소수 샘플 분류는 도전적인 문제이다. 최근 몇 년간 많은 연구 방법들이 제안되었으며, 그 공통된 목적은 이전에 해결된 작업을 통해 획득한 지식을 전이하는 것이었다. 이는 일반적으로 사전 학습된 특징 추출기(feature extractor)를 활용함으로써 달성된다. 본 논문에서는 이러한 접근 방식을 계승하여, 특징 벡터가 가우시안 유사 분포에 더 가까워지도록 처리함으로써 정확도를 향상시키는 새로운 전이 기반 방법을 제안한다. 특히, 훈련 중에 레이블이 없는 테스트 샘플이 이용 가능한 전이적 소수 샘플 학습(transductive few-shot learning)의 경우, 최적 운송(optimal transport)에 영감을 받은 알고리즘을 도입하여 성능을 더욱 향상시킨다. 표준화된 비전 벤치마크를 활용하여, 제안된 방법론이 다양한 데이터셋, 백본 아키텍처, 그리고 소수 샘플 설정에서 최신 기술 수준의 정확도를 달성할 수 있음을 보여준다.