퓨샷 러닝 (Few-shot Learning)
쉽게 풀면
사람은 새로운 요리를 배울 때 레시피 수백 개를 볼 필요 없이, 다른 사람이 한두 번 만드는 걸 보기만 해도 비슷하게 따라 만들 수 있습니다. Few-shot learning은 AI 모델에게 이런 능력을 부여하려는 접근입니다. 보통 딥러닝 모델은 새로운 분류를 학습하려면 수천~수만 개의 예시가 필요하지만, few-shot learning에서는 클래스당 몇 개(1개면 one-shot, 5개면 5-shot)의 예시만 보여주고도 어느 정도 잘 작동하도록 만듭니다. 대개 이미 대규모 데이터로 사전학습된 모델의 일반적인 지식을 활용해, 적은 예시로도 빠르게 적응하는 방식입니다.
왜 중요한가
실제 응용 환경에서는 라벨링된 데이터를 대량으로 확보하기 어려운 경우가 많아, 적은 데이터로도 잘 작동하는 모델은 데이터 수집 비용과 시간을 크게 줄여줍니다. 이 때문에 few-shot learning은 의료 영상처럼 데이터가 희소한 분야, 새로운 언어나 도메인으로의 빠른 적응이 필요한 자연어처리, 대규모 언어모델의 프롬프트 설계 등 다양한 연구 흐름과 맞닿아 있습니다. 사전학습 모델의 일반화 능력을 평가하는 표준적인 벤치마크로도 자주 활용됩니다.
논문에서는 이렇게 쓰입니다
이 문장은 "각 카테고리마다 학습용 예시를 딱 5개씩만 주고, 모델이 새로운 데이터를 얼마나 잘 분류하는지 측정했다"는 뜻입니다. 예시가 적을수록 모델의 일반화 능력을 더 엄격하게 검증할 수 있습니다.
모델의 가중치를 전혀 바꾸지 않고, 입력 프롬프트 안에 몇 가지 예시를 함께 제시하는 것만으로 모델이 작업 방식을 파악하게 하는 in-context learning 방식을 설명하는 문장으로, 자연어처리 논문에서 흔히 쓰입니다.
의료 영상처럼 특정 질환의 데이터를 대량으로 모으기 어려운 상황에서, 극소수 샘플만으로도 진단 성능을 확보하려는 의료 인공지능 연구에서 나오는 서술입니다.
조금 더 깊게 보면
few-shot learning을 구현하는 대표적인 방법으로는 예시 간 거리를 학습해 새로운 클래스를 비교로 분류하는 메트릭 학습(예: 프로토타입 네트워크), 소수의 데이터로 빠르게 적응하도록 초기 파라미터를 최적화하는 메타러닝(예: MAML), 그리고 대규모 언어모델의 프롬프트에 예시를 넣는 in-context learning 방식이 있습니다. 논문을 읽을 때는 지원 집합(support set)과 질의 집합(query set)이라는 용어, 그리고 N-way K-shot(클래스 수와 클래스당 예시 수를 함께 표기하는 방식)이 자주 등장하니 익혀두면 이해에 도움이 됩니다.
주의할 점
few-shot learning은 예시가 아예 없는 상태에서 작업을 수행하는 zero-shot learning과는 다릅니다. 또한 파인튜닝과 혼동하기 쉬운데, few-shot learning은 예시 개수 자체가 적다는 조건에 초점이 있고, 파인튜닝은 사전학습된 모델의 가중치를 추가 데이터로 다시 조정하는 방법을 가리킨다는 점에서 구분됩니다.