초록
소수의 예제로부터 새로운 작업을 학습하는 것은 여전히 머신 러닝에서 해결되지 않은 과제입니다. 최근 소수 샷 학습(few-shot learning) 분야에서 이루어진 진전에도 불구하고, 대부분의 방법은 라벨이 부착된 메타 트레이닝 데이터를 사용한 지도 사전 학습 또는 메타 학습에 의존하고 있으며, 사전 학습 데이터가 라벨이 없는 경우에 적용할 수 없습니다. 본 연구에서는 깊은 라플라시안 고유값 맵(deep Laplacian eigenmaps)을 통해 비지도 소수 샷 학습 방법을 제시합니다. 우리의 방법은 유사한 샘플들을 그룹화하여 비라벨 데이터로부터 표현을 학습하며, 확장된 훈련 데이터 위에서의 무작위 행보(random walks)로 직관적으로 해석될 수 있습니다. 우리는 이론적으로 깊은 라플라시안 고유값 맵이 양성 및 음성 샘플 간의 명시적인 비교 없이 비지도 학습에서 붕괴된 표현(collapsed representation)을 피하는 방법을 보여줍니다. 제안된 방법은 지도와 비지도 소수 샷 학습 사이의 성능 차이를 크게 좁혔습니다. 또한 우리의 방법은 선형 평가 프로토콜(linear evaluation protocol) 하에서 현재 최고 수준의 자기 지도(self-supervised) 학습 방법과 유사한 성능을 달성하였습니다.