In recent years, few-shot classification using meta-learning has emerged as an approach to solve the problem of general deep learning whereby a model requires a large amount of data to learn a new concept. Existing studies on meta-learning use the episodic training method, which generates episodes from training datasets and optimizes the model. However, as the model is strongly associated with the given training data, it is possible to decrease its overall performance depending on the characteristics of the test dataset. In this dissertation, we propose a new episodic training method to provide robust performance for various datasets based on random bias sampling, which samples many sub-datasets from the training data. The proposed method uses the structural features of a large-scale hierarchical dataset to sample an intentionally biased dataset based on the depth information. Therefore, we make the trained model reflect sampled datasets that were derived from a hierarchy with a large depth having a high bias, and the training experience has been provided using various datasets. To evaluate whether the trained model functions suitably on different datasets for few-shot classification tasks, we conduct experiments that apply our method to the matching network and prototypical network to measure the accuracies for five datasets.
새로운 컨셉을 배우려면 방대한 데이터를 요구하는 딥러닝의 단점을 극복하기 위해 퓨샷 분류 문제에 메타러닝을 적용하는 방식이 최근 떠오르고 있다. 메타러닝 연구는 학습 데이터에서 에피소드를 다수 생성하여 모델을 최적화하는 에피소딕 학습법을 활용하므로, 주어진 데이터셋에 종속적인 반면 테스트 데이터셋의 특징에 따라 성능이 저하될 수 있다. 본 학위논문에서는 학습 데이터로부터 다수의 서브셋을 만드는 무작위 편향 샘플링을 이용하여 다양한 데이터셋에서 안정적인 성능을 제공하는 새로운 에피소딕 학습법을 제안한다. 제안 기법은 대량의 계층구조 기반 데이터셋의 구조적인 특징을 이용하여 깊이 정보에 편향된 다양한 데이터셋을 무작위로 샘플링한다. 이를 통해, 계층 구조의 깊이가 깊어질수록 샘플링된 데이터셋의 편향이 더 커진다는 특성을 반영하고 모델에게 각종 데이터셋에 대한 간접적인 학습경험을 제공한다. 또한, 실험에서는 Matching Network와 Prototypical Network 모델에 제안 기법을 적용하여 데이터셋 5종에 대한 정확도를 측정하고 서로 다른 데이터에서도 퓨샷 분류를 잘 수행함을 확인한다.
