퓨샷 관계 분류 성능 향상을 위한 메타 데이터 증강

Abstract

퓨샷 러닝(few-shot learning)은 소량의 학습자원만을 활용할 수 있는 태스크에 대하여 효율적인 학습을 수행하고자 하는 학습 방식이다. 메타러닝(meta learning)은 학습하는 방식을 학습하는 개념으로서 퓨샷 학습 문제를 효율적으로 해결할 수 있는 주요한 접근방식으로 많은 관심을 받고 있다. 최근 자연어처리 분야에서도 퓨샷 학습에 대한 필요성이 증대되고 있으나, 메타러닝을 수행하는 과정에서의 메타 과적합 문제는 퓨샷 학습 모델의 일반화 성능 저하의 주요한 원인으로 지적되고 있다. 이에 본 연구에서는 메타학습을 위한 데이터를 증강시켜 베이스 러너(base learner) 모델의 일반화 성능을 향상시키는 메타 데이터 증강 기반 퓨샷 관계 분류 모델을 제안한다. 제안하는 방법론은 소량의 학습 데이터만 보유한 퓨샷 관계 분류(few-shot relation classification) 문제에서 메타 과적합을 완화하여 메타 러너 모델의 일반화 성능을 향상시킬 수 있음을 보여 보다 효율적인 지식 그래프 구축 및 지식 완성(knowledge completion)을 가능하게 한다.