적응형 서브스페이스를 통한 소량 학습

객체 인식은 과적합을 피하기 위해 일반화 능력이 필요하며, 특히 샘플 수가 극도로 적은 경우 더욱 그러하다. 제한된 샘플로부터의 일반화는 보통 메타학습의 맥락에서 연구되며, 이는 학습 기법이 동적 환경에서 빠르게 적응할 수 있는 능력을 부여하고, 수명 주기 학습의 핵심 요소로 입증되었다. 본 논문에서는 몇 샘플로부터 동적 분류기(dynamic classifier)를 구성함으로써 소수 샘플 학습(few-shot learning)을 위한 프레임워크를 제안한다. 동적 분류기의 핵심 블록으로 하위공간 방법(subspace method)을 활용한다. 실증적으로 이러한 모델링이 외부 이상치(outliers)와 같은 교란 요소에 대해 강건함을 보이며, 감독 및 반감독 소수 샘플 분류 작업에서 경쟁력 있는 성능을 달성함을 보여준다. 또한 정확도를 더욱 향상시킬 수 있는 구분형(discriminative) 형태를 개발하였다. 본 연구의 코드는 https://github.com/chrysts/dsn_fewshot 에서 제공된다.