초록
기존의 메타학습 기반 방법들은 기본 클래스의 (소스 도메인) 학습 작업을 통해 학습한 메타 지식을 활용하여, 새로운 클래스의 레이블을 (타겟 도메인) 테스트 작업에서 예측한다. 그러나 대부분의 기존 연구들은 도메인 간의 상당한 도메인 차이가 존재할 수 있기 때문에, 새로운 클래스로의 일반화에 실패할 수 있다. 이 문제를 해결하기 위해, 적은 샘플 학습에서 도메인 간 격차를 극복하기 위한 새로운 적대적 특징 증강(AFA, Adversarial Feature Augmentation) 방법을 제안한다. 본 방법은 도메인 차이를 최대화함으로써 분포 변화를 시뮬레이션하는 특징 증강을 설계한다. 적대적 학습 과정에서, 도메인 구분자는 증강된 특징(미경험 도메인)과 원본 특징(경험 도메인)을 구분하도록 학습되며, 동시에 도메인 차이를 최소화함으로써 최적의 특징 인코더를 얻는다. 제안된 방법은 메타학습 기반 기존 적은 샘플 학습 방법에 쉽게 통합할 수 있는 플러그 앤 플레이 모듈이다. 9개의 데이터셋에 대한 광범위한 실험을 통해, 기존 최고 수준의 방법들과 비교하여 본 방법이 교차 도메인 적은 샘플 분류에서 우수한 성능을 보임을 입증하였다. 코드는 https://github.com/youthhoo/AFA_For_Few_shot_learning 에서 제공된다.