초록
소수 샘플 학습(Few-shot learning, FSL)은 머신 러닝에서 어려운 과제로, 몇 개의 라벨된 샘플만을 사용하여 차별적인 분류를 수행하도록 모델을 요구합니다. FSL 관련 문헌에서는 일반적으로 메트릭 학습 방식으로 딥 모델을 훈련시켜, 새로운 클래스의 샘플을 분류할 수 있는 일반화 능력이 뛰어난 특성 공간에서 메트릭을 제공합니다. 이 공간에서는 소수의 라벨된 훈련 예제더라도 효과적인 분류기를 구성할 수 있습니다. 본 논문에서는 \emph{기하 평균(geometric mean)} 기반의 새로운 FSL 손실 함수를 제안하여, 딥 특성에 차별적인 메트릭을 임베딩합니다. 소프트맥스 기반 공식에서 산술 평균(arithmetic mean)을 활용하는 다른 손실 함수들과 달리, 제안된 방법은 기하 평균을 이용하여 샘플 간의 쌍별 관계를 집계하여 클래스 간 차별적 메트릭을 강화합니다. 제안된 손실 함수는 단순한 형태로 표현되며, 이론적으로 철저히 분석되어 FSL에서 특성 메트릭 학습에 유리한 특성을 밝혀냅니다. 소수 샘플 이미지 분류 작업에 대한 실험 결과, 제안된 방법은 다른 손실 함수들과 비교해 경쟁력 있는 성능을 보였습니다.