인하대학교(총장 조명우)가 전기컴퓨터공학과 빅데이터연구실 소속 김성웅 석사과정과 지도교수 최동완 교수팀이 일반화된 퓨샷 학습(Few-Shot Learning)에서 기존 클래스의 데이터를 전혀 사용하지 않고 새로운 클래스의 데이터를 소량만 이용해 기존보다 더 나은 결과를 도출하는 제로-베이스 GFSL(Zero-Base GFSL) 방법을 개발했다.

특히, 이번 연구는 오는 2월 7일부터 14일까지 미국 워싱턴에서 개최되는 인공지능 분야 세계 최고 권위 학술대회인 전미인공지능학회(Association for the Advancement of Artificial Intelligence. 이하, AAAI) 2023에서 김성웅 석사과정의 석사졸업논문 '기본 데이터가 없어도 퓨샷 학습을 보다 일반화(Better Generalized Few-Shot Learning Even Without Base Data)'란 제목으로 발표될 예정이다

퓨샷 러닝(Few Shot Learning)은 사람이 한 장의 사진만으로 물체를 식별하듯이 적은 데이터로 학습이 가능한 방식이다. 예를 들어, 번역 문장에서 몇개만 보여주면 자체적으로 학습해 필요한 기능을 구현하는 방식이다.

기존 일반화된 퓨샷 학습은 이전 데이터가 필요하지만 개인정보 보호 및 윤리적인 문제로 이를 활용하지 못하는 상황이 발생할 수 있다. 연구팀은 퓨샷 학습이 이루어지는 모델의 가중치를 분석해 기존 클래스 가중치 분포와 새로운 클래스의 가중치 분포가 평균과 분산에 대해 제대로 설정되지 않았다는 사실을 발견하고 이를 간단하고 효과적으로 제어할 수 있는 방법을 제안해 그 성과를 인정받았다.

연구책임자인 최동완 인하대학교 컴퓨터공학과 교수는 “인간의 뇌가 비교적 적은 경험만으로 일반화된 지식을 학습해나갈 수 있는 것처럼, 인공 신경망에서도 이를 가능하게 만드는 데 한 발 더 다가갈 수 있게 된 연구결과로 생각된다”라고 말했다.

한편, 이번 '제로 베이스 일반화 퓨샷 학습(zero-base generalized few-shot learning, zero-base GFSL-다운)' 연구결과는 지난해 말 아카이브를 통해 공개됐으며, 이 방식은 소량의 데이터만 추가되는 온라인 추론형 신경망에 적용해 인공지능이 새로운 지식을 보다 효과적으로 학습하는 데 기여할 수 있을 것으로 기대된다.