소수 샘플 클래스 증가 학습

Few-Shot Class-Incremental Learning은 새로운 카테고리를 몇 개의 샘플만으로 점진적으로 학습하여 모델의 분류 능력을 지속적으로 확장하는 머신 러닝 접근 방식입니다. 이 방법의 목적은 기존 지식을 잃지 않으면서 효율적으로 새로운 카테고리 데이터에 적응하는 것입니다. 이를 통해 모델의 일반화 능력과 실시간 업데이트 능력이 향상됩니다. 이 접근 방식의 적용 가치는 실제 세계에서 데이터 분포의 변화와 새로운 카테고리의 등장을 효과적으로 해결할 수 있다는 점에 있으며, 동적 환경에서 지속적인 학습 작업에 적합합니다.