"Low-frequency components"라는 용어는 데이터나 신호에서 낮은 주파수를 가진 부분을 의미합니다. 특히 이미지, 오디오, 신호 처리 분야에서 사용되는 이 용어는 데이터의 기본적인 형태나 구조를 나타내는 성분을 가리키는 경우가 많습니다. 데이터의 "저주파 성분"은 변화가 느리고, 일반적인 패턴이나 경향성을 포함하며, 전체적인 정보의 기본적인 틀을 제공합니다.
The representation of subspaces increases the efficiency of algorithms by mapping the original data to a low-dimensional space while preserving its useful features. Based on subspace representation, FSCIL projects new-class data into the subspace composed of base or oldclass features, thereby enabling the model to better adapt to new classes.
•
Feature space (특징 공간): 데이터의 특징이나 속성을 수치적으로 표현하는 고차원 공간이다. 딥러닝 모델에서 입력 데이터는 이 특징 공간 내의 점으로 표현되며, 모델은 이 공간 내에서 패턴을 학습한다. 특징 공간은 데이터의 모든 가능한 특징을 포괄할 수 있는 넓은 의미를 가지며, 모델의 입력, 중간 레이어, 출력 등 다양한 단계에서의 데이터 표현을 포함할 수 있다.
•
Subspace (부공간): 특징 공간 내의 한 부분을 나타내며, 보통 더 낮은 차원을 가진다. 부공간은 특징 공간의 모든 차원을 포함하지 않고, 특정 목적이나 조건에 맞는 차원만을 포함하는 경우가 많다. 예를 들어, 특정 클래스의 데이터를 대표하는 차원만을 포함하는 부공간을 정의할 수 있다.