One-shot, Few-shot, Zero-shot Learning

One-shot, Few-shot, Zero-shot Learning은 머신러닝에서 적은 양의 학습 데이터로도 효과적인 학습을 가능하게 하는 방법론들이다.

One-shot Learning

One-shot Learning은 새로운 클래스를 하나의 예시만으로 학습하고 인식할 수 있는 능력을 말한다. 일반적인 머신러닝 모델은 수천 개의 샘플을 필요로 하지만, One-shot Learning은 단 하나의 예시만으로도 충분히 학습할 수 있다. 주로 시암 네트워크(Siamese Network)와 같은 신경망 구조를 사용해서 두 입력 간의 유사도를 비교한다. 학습 과정에서 다양한 클래스의 샘플 쌍을 통해 유사도 함수를 학습하게 된다. 이런 방법은 얼굴 인식, 필체 인식, 객체 인식 등 제한된 데이터 환경에서 효과적이다.

Few-shot Learning

Few-shot Learning은 소수의 예시(보통 2~5개)만으로 새로운 클래스를 학습할 수 있는 능력을 의미한다. One-shot Learning의 확장 개념으로 볼 수 있다. 메타 러닝(meta-learning)이나 프로토타입 네트워크(ProtoNet) 등을 사용해서 소수의 샘플로부터 학습하는 방법을 개발한다. 일반적으로 모델은 다양한 작업(task)을 수행하면서 각 작업에서 적은 양의 데이터를 사용해 빠르게 적응한다. 이런 방법은 제한된 데이터 상황에서의 이미지 분류, 음성 인식, 자연어 처리 등 다양한 분야에 적용된다.

Zero-shot Learning

Zero-shot Learning은 모델이 학습 중 전혀 본 적 없는 클래스에 대해 예측할 수 있는 능력을 의미한다. 주로 어트리뷰트(attribute)나 설명(descriptive) 데이터를 사용해서 모델이 새로운 클래스를 일반화할 수 있게 한다. 예를 들어, "얼룩말"이라는 클래스를 인식하려면 "말처럼 생겼지만 검은색과 하얀색 줄무늬가 있다"는 정보를 제공한다. 이런 방식은 새로운 제품 카테고리 예측, 이미지 분류, 자연어 처리 등 다양한 분야에 응용될 수 있다.

Zero-shot Learning은 전혀 보지 못한 클래스에 대해 예측할 수 있고, One-shot Learning은 하나의 예시만으로 학습할 수 있으며, Few-shot Learning은 소수의 예시로 학습할 수 있는 방법이다. 이 세 가지 방법은 데이터가 적거나 새로운 클래스를 인식해야 하는 상황에서 매우 유용하다.