퓨샷 학습

퓨샷 학습(Few-Shot Learning, FSL)은 소수의 예제만으로 새로운 개념에 일반화할 수 있는 모델을 구축하는 데 중점을 둔 머신 러닝의 하위 분야입니다. 기존의 딥 러닝 모델, 특히 컴퓨터 비전 분야에서는 높은 성능을 달성하기 위해 방대한 양의 레이블이 지정된 훈련 데이터가 필요한 경우가 많습니다. FSL은 데이터 수집 및 레이블링이 비싸거나 시간이 많이 걸리거나 단순히 불가능한 애플리케이션에 매우 유용한 저데이터 상황에서 효과적으로 학습할 수 있는 모델을 만들어 데이터 부족 문제를 해결합니다. 이는 매우 적은 인스턴스에서 새로운 객체나 범주를 학습하는 인간의 능력을 모방합니다.

퓨샷 학습 작동 방식

FSL의 핵심 아이디어는 크고 다양한 데이터 세트의 사전 지식을 활용하여 새롭고 관련된 작업을 빠르게 학습하는 것입니다. 모델은 특정 범주를 직접 분류하는 방법을 학습하는 대신 데이터에 대한 보다 일반적인 표현을 학습하거나 데이터 포인트를 비교하는 방법을 학습합니다. 일반적인 접근 방식은 다음과 같습니다.

• 메트릭 기반 학습: 이러한 방법은 몇 개의 레이블이 지정된 "지원" 이미지와 레이블이 지정되지 않은 "쿼리" 이미지를 비교하기 위한 거리 함수 또는 유사성 메트릭을 학습합니다. 그런 다음 쿼리 이미지에 가장 유사한 지원 이미지의 클래스가 할당됩니다. 이 접근 방식의 인기 있는 예로는 두 이미지가 동일한 클래스에서 왔는지 여부를 결정하는 방법을 학습하는 Siamese Networks와 메트릭 공간에서 각 클래스에 대한 프로토타입 표현을 학습하는 Prototypical Networks가 있습니다.
• 최적화 기반 학습: 종종 메타 학습(또는 "학습하는 방법 학습")과 관련이 있는 이 접근 방식은 모델의 최적화 프로세스 자체를 훈련합니다. 목표는 몇 번의 경사 하강법 단계만으로 새로운 작업에 매개변수를 빠르게 적용할 수 있는 모델을 개발하는 것입니다. 이 분야에서 영향력 있는 알고리즘은 Model-Agnostic Meta-Learning (MAML)입니다.
• 메모리 기반 학습: 이러한 모델은 외부 메모리 구성 요소를 사용하여 사용 가능한 몇 가지 예제에서 정보를 저장합니다. 새로운 예제가 제시되면 모델은 메모리에서 관련 정보를 검색하여 예측합니다. 이는 k-최근접 이웃(k-NN) 알고리즘이 작동하는 방식과 개념적으로 유사합니다.

퓨샷 학습 vs. 관련 개념

FSL(Few-Shot Learning, 소량 데이터 학습)을 제한된 데이터를 다루는 다른 학습 패러다임과 구별하는 것이 중요합니다.

• Zero-Shot Learning (ZSL): ZSL은 FSL보다 더 극단적인 경우로, 모델이 고차원적인 의미 설명이나 속성만을 사용하여 학습 중에 보지 못했던 클래스를 인식해야 합니다. FSL은 최소한 하나의 예시가 필요한 반면, ZSL은 아무런 예시도 필요하지 않습니다.
• 원샷 학습(One-Shot Learning, OSL): OSL은 각 새 클래스에 대해 정확히 하나의 레이블이 지정된 예제가 제공되는 FSL의 특정 변형입니다. 이는 퓨샷 프레임워크 내에서 가장 어려운 시나리오를 나타냅니다.
• 전이 학습: FSL은 전이 학습의 한 형태이지만, 둘은 동일하지 않습니다. 기존의 전이 학습은 종종 ImageNet과 같은 대규모 데이터 세트에서 사전 학습된 모델을 가져와 더 작고 새로운 데이터 세트에서 미세 조정하는 것을 포함합니다. FSL은 특히 새로운 데이터 세트가 매우 작은 시나리오(예: 클래스당 10개 미만의 예제)를 위해 설계되었습니다. Ultralytics YOLO11과 같은 모델이 모델 학습 문서에서 전이 학습을 위해 사전 학습된 가중치를 어떻게 사용하는지 살펴볼 수 있습니다.

실제 애플리케이션

FSL은 데이터가 부족한 특수 분야에서 특히 유용합니다.

1. 의료 영상의 희귀 질환 진단: 희귀 질환의 경우 모델 훈련을 위해 수천 건의 환자 스캔을 수집하는 것이 불가능한 경우가 많습니다. FSL을 사용하면 일반적인 의료 영상의 대규모 데이터 세트에서 사전 훈련된 모델을 확인된 사례 몇 개만 사용하여 희귀 질환의 징후를 식별하도록 조정할 수 있습니다. 이는 의료 영상 분석을 위한 진단 도구 개발을 가속화합니다.
2. 산업 결함 감지: 제조에서 새로운 제품 라인은 고유하고 드물게 결함이 발생할 수 있습니다. 수천 개의 결함 사례를 수집하기 위해 생산을 일시 중지하는 대신, 품질 관리를 자동화하고 효율성을 개선하며 낭비를 줄이기 위해 몇 가지 샘플만으로 객체 감지를 위한 FSL 모델을 빠르게 학습할 수 있습니다. Ultralytics HUB와 같은 플랫폼은 이러한 특수 데이터 세트를 관리하고 모델 배포를 가속화하는 데 도움이 될 수 있습니다.

과제 및 향후 방향

FSL은 유망하지만, 몇 가지 중요한 문제에 직면해 있습니다. 가장 큰 어려움은 과적합을 방지하는 것입니다. 모델이 일반화 학습을 하는 대신 몇 안 되는 예제를 쉽게 암기할 수 있기 때문입니다. 또한 모델 성능은 제공되는 지원 예제의 품질과 대표성에 매우 민감할 수 있습니다.

스탠포드 대학교, Google AI, Meta AI와 같은 기관이 주도하는 지속적인 연구는 더욱 강력한 메타 학습 알고리즘을 만들고 사전 훈련을 위해 비지도 또는 자기 지도 학습 기술을 더 잘 활용하는 데 중점을 두고 있습니다. 이러한 접근 방식을 결합하면 더욱 유연하고 데이터 효율적인 AI 시스템을 구축하여 데이터 제약 환경에서 가능한 것의 경계를 넓힐 수 있습니다. PyTorch 및 TensorFlow와 같은 고급 프레임워크는 연구자들이 이러한 최첨단 방법을 탐구하는 데 필요한 도구를 제공합니다.