Recently, Machine Learning technology using Deep Learning is achieving remarkable successes. Deep Learning shows good result in performance, but it needs a lot of data and computing resources. The One-Shot Learning algorithm is an way to break through this limit of deep learning. As an way to realize one-shot learning, meta learning using memoryaugmented neural network was proposed. In this thesis, we will find the origin of the meta learning capability of memory augmented neural network using various experimental and mathematical analysis. Also, we will find the way to improve the performance of memory augmented neural network based on these analysis.
최근 여러 분야에서 딥러닝을 사용한 기계학습 기술의 성공이 두드러지고 있다. 딥러닝은 성능 면에서 좋은 결과를 보이지만, 그 성능을 얻기 위해 많은 양의 데이터와 컴퓨팅 자원이 필요하다. 이 딥러닝의 한계를 극복하기 위해 연구되고 있는 알고리즘이 원샷 학습이며, 원샷 학습을 실현하는 한가지 방법으로 메모리 결합 신경망을 이용한 메타 학습이 제시되었다. 본 학위논문에서는 다양한 실험적, 수학적 분석을 통해 메모리 결합 신경망의 메타 학습 성능의 근원을 파악하고, 이를 통해 메모리 결합 신경망의 성능 개선 방법을 찾고자 한다.
