제로샷 러닝
제로샷 러닝(ZSL)은 딥러닝의 문제 설정입니다.시험 시간에 학습자는 훈련 동안 관찰되지 않은 클래스의 샘플을 관찰하고, 그 샘플이 어느 클래스에 속하는지 예측해야 합니다. 이 문제는 컴퓨터 비전, 자연어 처리, 기계 인식 분야에서 폭넓게 연구되었습니다. Zero-Shot의 주요 목적은 학습 샘플 없이도 결과를 예측하는 능력을 얻는 것입니다. 기계는 학습 중에 학습되지 않은 클래스의 객체를 인식해야 합니다. 제로샷 러닝은 학습 중에 입력된 예제에 이미 포함된 지식 전달을 기반으로 합니다.
제로샷 러닝의 중요성과 응용
- 데이터 라벨링은 노동 집약적인 작업이며, 특정 범주에 대한 학습 데이터가 부족한 경우 제로샷 러닝을 사용할 수 있습니다.
- 제로샷 러닝은 모델이 이전에 학습한 작업을 다시 학습하지 않고도 새로운 작업을 학습해야 하는 시나리오에 배포될 수 있습니다.
- 머신 러닝 모델의 일반화 능력을 향상시킵니다.
- 제로샷은 기존 방법(예: 시행착오를 통한 학습)보다 새로운 정보를 배우는 데 더 효율적인 방법이 될 수 있습니다.
- 제로샷 러닝은 이미지 분류 및 객체 감지에서 시각적 효과를 찾는 데에도 유용합니다.
- Zero Lens는 또한 이미지 생성 및 이미지 검색과 같은 여러 가지 딥러닝 프레임워크의 개발을 지원합니다.