[AI] Deep Learning 딥러닝 기본 이해_One-Shot / Few-Shot / Zero-Shot Learning

 

 

 

 

 

 

 

Deep Learning 딥러닝 기본 이해

 

 

Layer Level	Model Level
Manifold Learning(매니폴드 학습)	Representation Learning(표현 학습)
Transfer Learning(전이 학습)	Meta Learning(메타 학습)
Semi Supervised Learning(반지도 학습)	Self Supervised Learning(자기 지도 학습)
Transformer(트랜스포머)	Attention Mechanism(어텐션 메커니즘)

 

 

---

 

 

One-Shot / Few-Shot / Zero-Shot Learning

딥러닝 모델에서 One-Shot, Few-Shot, Zero-Shot은 모델을 학습하는 데 사용되는 데이터의 양에 관한 것입니다.

 

간단하게 구분하자면 아래와 같습니다.

Zero-Shot :  클래스에 해당하는 데이터가 존재하지 않을 때 해당합니다. 즉, 라벨링 되지 않은 새로운 클래스에 대한 분류 작업을 수행할 때, 이전에 학습된 모델을 사용하여 분류하는 것입니다. 이전에 학습된 모델을 사용하여 새로운 클래스를 인식하고 분류할 수 있습니다. 이를 위해서는 새로운 클래스에 대한 설명 정보를 입력으로 주어야 합니다.

 

One-Shot : 클래스마다 1개의 데이터가 존재할 때, 하나의 샘플 데이터만으로 새로운 클래스을 인식할 수 있는 것을 의미합니다.

 

Few-Shot : 클래스마다 2-5개의 데이터가 존재할 때, 한 클래스에서 일부 샘플 이미지만을 이용하여 새로운 클래스를 인식할 수 있는 것을 의미합니다.

 

 

 

반응형

 

 

Few-shot learning, Meta learning, Transfer learning

헷갈릴 수 있어 이전에 포스팅한 메타 학습과 전이 학습하고 Few-Shot이 어떻게 다른지 설명하겠습니다.

 

Few-Shot은 말 그대로 적은 데이터를 이용하여 결과를 만들어내는 것을 말합니다. 이 것을 이루어내기 위한 방법으로 생각해 낸 것이 메타 학습과 전이 학습입니다.

 

 

 

전이 학습은 Pre-trained 모델을 중심으로 학습하고 소량의 데이터(few-shot)로 재학습합니다.

메타 학습은 여러개의 Task를 동시에 학습하고, 각 Task 간의 차이도 같이 학습 (meta- parameter)하는 것을 말합니다. 전체 학습 이후 소량의 데이터(few-shot)으로도 추론할 수 있는 범용적인 모델 생성합니다.