ITPE * JackerLab

개요Few-Shot Learning(FSL)은 소량의 학습 데이터로도 모델이 새로운 작업을 학습하고 일반화할 수 있도록 하는 머신러닝 기법입니다. 기존의 대규모 데이터 기반 학습 방식과 달리, 데이터가 부족한 환경에서도 신속하고 효율적인 학습을 가능하게 하며, 인간의 학습 방식에 유사한 형태로 주목받고 있습니다.1. 개념 및 정의Few-Shot Learning은 보통 N-way K-shot 구조로 정의되며, 이는 N개의 클래스 중에서 K개의 샘플만으로 분류 문제를 해결하는 방식입니다.1-Shot: 클래스당 1개의 학습 샘플만 사용5-Shot: 클래스당 5개의 학습 샘플 사용N-way K-shot: N개의 분류 클래스에서 K개의 샘플로 학습FSL은 제로샷(Zero-shot) 학습보다 실제적이고, 일반적인 ..

개요HyperNetworks는 다른 신경망의 가중치(파라미터)를 생성하는 '메타 네트워크'입니다. 기존 딥러닝 모델이 정적인 파라미터를 학습하는 반면, HyperNetwork는 주어진 입력이나 조건에 따라 동적으로 파라미터를 생성합니다. 이 접근은 모델 경량화, 다작업 학습(Multi-task learning), 신속한 적응 학습(Few-shot/Meta-learning) 등에서 효율성과 유연성을 제공합니다.1. 개념 및 정의 항목 설명 비고 정의다른 신경망의 가중치를 동적으로 생성하는 신경망Ha et al., 2016 첫 제안목적파라미터 재사용 및 생성 기반 동적 학습 구조 구현모델 간 유연한 파라미터 공유 가능필요성고정 파라미터 구조의 유연성 한계 극복Few-shot, Continual Learn..

개요메타학습(Meta-learning)은 "학습하는 방법을 학습하는(Learning to Learn)" 인공지능(AI) 기술이다. 기존 머신러닝이 주어진 문제에 대해 모델을 학습시키는 것이라면, 메타학습은 다양한 문제를 해결하기 위한 최적의 학습 전략 자체를 학습한다. 이 글에서는 메타학습의 개념, 종류, 구성요소부터 실제 적용 사례까지 폭넓게 다룬다.1. 개념 및 정의메타학습은 머신러닝 모델이 다양한 작업(Task)에서 빠르게 일반화할 수 있도록, 기존의 학습 경험을 바탕으로 새로운 학습 전략을 스스로 구축하도록 설계된 접근 방식이다. 주로 소량의 데이터로 학습하는 Few-shot learning, Zero-shot learning에 활용되며, 사람처럼 빠르고 효율적으로 배우는 AI 구현을 목표로 한다..