FSCIL: fewshot class-incremental learning
정의: Few-Shot Class-Incremental Learning (FSCIL)은 머신 러닝 모델이 적은 양의 데이터로 새로운 클래스를 학습하면서 기존에 학습한 클래스를 잊지 않도록 하는 연구 분야이다.
•
fewshot 으로 인해 생기는 문제점 ERM(empirical risk minimization)
•
incremental learning으로 인해 생기는 문제점 catastrophic forgetting
few-shot learning의 4가지 method
1.
Data augmentation methods
2.
metric-based methods
•
embedded space에서 거리나 유사도 측정
3.
model-based methods
4.
optimization-based methods
FSCIL taxonomy
1.
Traditional machine learning methods
2.
Meta learning-based methods
a.
Prototype learning: 주어진 데이터셋을 정확하게 대표할 수 있는 소수의 예시(프로토타입)를 식별하는 것을 목표로 한다. 그런 다음, 데이터 포인트와 프로토타입 간의 유사성을 사용하여 새로운 데이터 포인트를 분류한다.
Learning Vector Quantization (LVQ)은 패턴 분류를 위한 지도 학습 알고리즘 중 하나이다. LVQ는 특정 데이터 포인트를 대표하는 소수의 프로토타입 벡터를 학습하여, 새로운 데이터 포인트가 주어졌을 때 이를 가장 잘 대표하는 프로토타입에 기반해 분류한다.
LVQ의 핵심 아이디어는 각 클래스에 대해 하나 또는 그 이상의 프로토타입을 설정하고, 학습 과정에서 이 프로토타입을 조정하여 데이터셋을 가장 잘 대표하도록 만드는 것이다. 새로운 데이터 포인트를 분류할 때는 이 데이터 포인트와 가장 가까운 프로토타입의 클래스를 할당한다.
b.
meta process
3.
Feature and feature space-based methods
a.
Feature decoupling
5.
Dynamic network structure-based methods