퓨샷 러닝 편집하기

[[분류:인공지능]]

;Few-shot Learning

대량의 학습 데이터가 없는 상태에서 소량의 데이터만으로 효과적으로 학습하는데 주안점을 둔 학습 방식

==기존 학습 방법의 문제점==

*방대한 데이터 필요
*방대한 데이터의 라벨링 작업 필요<ref>지도학습의 경우 데이터가 있더라도 데이터 라벨링에 상당한 시간과 인력이 필요. 자체적으로 수행할 환경이 안 되는 경우 아마존의 메커니컬터크(Mechanical Turk)처럼 유료로 데이터에 주석을 달아주는 서비스를 이용</ref>
*학습을 위한 대량의 컴퓨팅 리소스 필요

==학습 방법==
===데이터셋 구성===

*'''서포트 데이터(support data)''': 훈련에 사용
*'''쿼리 데이터(query data)''': 테스트에 사용

===러닝 태스크===

;N-way K-shot 문제

*N은 범주의 수
*K는 범주별 서포트 데이터의 수
**K가 많을수록 이 범주에 해당하는 데이터를 예측하는 모델의 성능(추론 정확도) 항샹
**퓨샷 러닝은 이 K가 매우 작은 상황에서의 모델 학습

;퓨샷 러닝 모델의 성능은 N과 반비례하며 K와는 비례하는 관계

===학습 방안===
{| class="wikitable"
!방안
!설명
|-
|[[전이 학습]]
(파인 튜닝)
|
* 기존에 비슷한 부류의 학습모델이 있는 경우 그 학습모델을 이용
* 기존 모델에 소량의 학습 데이터를 이용해 망을 미세하게 튜닝
|-
|[[메타 러닝]]
|
* 학습에 필요한 변수, [[하이퍼파라미터]]를 자동으로 학습 및 최적화
* 전이 학습의 파인 튜닝 과정의 효율을 극대화
|-
|거리 학습
|
* 고차원 학습 데이터의 특징을 잘 표현할 수 있는 저차원 공간으로 학습 데이터를 변환
* 부류들 간의 유사도 차이를 측정할 수 있는 수단을 이용해 분류
|-
|[[액티브 러닝]]
|
* 라벨링된 데이터가 적은 경우 반 자동화된 라벨링 
* 소수의 학습 데이터로 학습 후 자동 라벨링을 수행, 잘못 라벨링된 데이터만 사람이 정정하며 학습데이터 확보
|-
|생성 모델 활용
|
* 소수의 학습 데이터에 [[GAN]]과 같은 생성모델을 사용해 유사 데이터 확보 
|}

== 관련 논문 ==

*거리 학습 기반 방식
**Siamese Neural network for one-shot image recognition
**Matching networks for one-shot learning
**Prototypical networks for few-shot learning
**Learning to compare : relation network for few-shot learning
*그래프 신경망 방식
**Few-shot learning with graph neural networks
**Transductive propagation network for few-shot learning (TPN)

==같이 보기==

*[[메타 러닝]]
*[[원샷 러닝]]
*[[AutoML]]

==참고 문헌==

*[http://aidev.co.kr/deeplearning/9286 퓨샷 러닝(few-shot learning)과 메타 러닝(meta-learning)]
*[https://www.kakaobrain.com/blog/106?fbclid=IwAR3pYh_Rl0NvqQFFuTWVmPiYREU3R0d15SpDUngmRvJPN-M4q7sjyufF_vA 퓨샷 러닝(few-shot learning) 연구 동향을 소개합니다.]
*[https://www.sedaily.com/NewsView/1VHPK6NWWG 소량의 데이터로 학습하는 퓨샷러닝]

== 각주 ==
<references />