초록
소수의 라벨된 샘플로부터 빠르게 학습하는 것은 딥 리프레젠테이션 학습 시대에 기계와 인간을 구분하는 근본적인 속성입니다. 비지도 소수 샘플 학습(U-FSL)은 훈련 시 주석에 의존하지 않는 방식으로 이 간극을 메우려고 합니다. U-FSL 영역에서 대조학습 접근법의 성공에 착안하여, 우리는 사전 훈련 및 다운스트림 추론 단계에서의 그들의 단점을 구조적으로 분석하였습니다. 우리는 사전 훈련 단계에서 양성 샘플링을 강화하고 비지도 대조학습에 암시적으로 클래스 수준의 통찰력을 주입하기 위해 새로운 동적 클러스터드 메모리(DyCE) 모듈을 제안합니다. 그 다음으로, 소수 샘플 추론 단계에서 다소 간과되었지만 중요한 샘플 편향 문제를 다룹니다. 우리는 반복적인 최적 운송 기반 분포 정렬(OpTA) 전략을 제안하고, 특히 샘플 편향으로 인해 가장 큰 어려움을 겪는 저Shoot 시나리오에서 이 전략이 효율적으로 문제를 해결함을 보여줍니다. 이후 DyCE와 OpTA가 새로운 엔드투엔드 접근법(BECLR로 명명)의 두 개의 상호 연관된 요소임을 논의하며, 각각의 영향력을 건설적으로 증폭시키는 것을 설명합니다. 마지막으로, BECLR이 모든 기존 U-FSL 벤치마크(우리가 아는 한도 내에서)에서 새로운 최신 기술(SOTA)을 설정하고 현재 베이스라인 중 최고를 크게 능가함을 입증하기 위해 광범위한 정량적 및 정성적 실험 결과를 제시합니다(코드베이스는 https://github.com/stypoumic/BECLR 에서 제공됩니다).