ArcFace 기반 손실 함수를 활용한 최적화 기반 메타러닝에 관한 연구

국문 초록 (Abstract)

최적화 기반 메타러닝은 한 번도 보지 못한 작업에 빠르게 적응할 수 있는 모델을 학습하는 것을 목표로 한다. 대표적으로, MAML(Model-Agnostic Meta-Learning)은 다양한 작업에 공통으로 적용 가능한 초기 파라미터를 학습하고, 이를 기반으로 각 작업에 빠르게 적응한다. 그러나 MAML 기반의 방법론은 softmax 입력에 사용되는 logit을 단순한 내적 기반으로 계산함으로써 클래스 간의 결정 경계를 명확히 구분하는 데 한계가 있으며, 이는 특히 fine-grained 분류 작업에서 성능 저하로 이어질 수 있다. 본 연구에서는 이러한 한계를 극복하기 위해, 각도 기반의 additive angular margin을 logit 계산 과정에 적용하는 ArcFace 방식을 inner-loop에 도입하여 intra-class compactness와 inter-class separability를 동시에 향상시키는 방법을 제안한다. 실험 결과, 제안한 방법은 기존 MAML보다 few-shot classification benchmark에서 향상된 분류 정확도를 달성하였으며, 특히 클래스 간 유사도가 높은 fine-grained 태스크에서 뚜렷한 성능 개선을 보였다.