초록
증분 클래스 학습은 새로운 객체 클래스의 인스턴스가 순차적으로 추가되는 상황에서 모델을 학습하는 분류 문제로, 기존 클래스에 대한 재학습을 최소화하면서 새로운 클래스에만 재학습이 이루어지기를 원하는 것이 목적이다.증분 클래스 학습의 주요 과제 중 하나는 치명적인 망각(catastrophic forgetting) 문제로, 업데이트된 모델이 기존 클래스의 지식을 잊고 오직 새로운 클래스에만 집중하게 되는 현상이다.본 논문은 자기지도(pretrained) 특징 추출기를 활용하여 의미 있는 특징을 추출하고, 각 클래스별로 별도로 확률적 주성분 분석(Probabilistic PCA) 모델을 학습하는 간단하고 새로운 증분 클래스 학습 방법을 제안한다.분류 결과는 마할라노비스 거리(Mahalanobis distance)를 이용하여 도출되며, 계산 비용을 줄이기 위해 이를 효율적으로 계산할 수 있는 등가 식을 도출하였다.표준 및 대규모 데이터셋에서의 실험 결과, 제안하는 방법이 기존 최고 수준의 증분 학습 기법들을 크게 능가함을 보였다.각 클래스별로 별도로 학습이 이루어진다는 점에서, 이미지넷(ImageNet)과 같이 10,000개 이상의 클래스를 포함하는 매우 큰 데이터셋에서도 효과적으로 적용 가능하다는 장점이 있다.