전통적인 표(tabular) 분류기는 해석 가능한 특징(개념)을 통해 설명 가능한 의사결정을 제공한다. 그러나 영상 과제에서 이러한 설명가능성을 활용하는 데에는 이미지의 픽셀 표현 때문에 제한이 있어 왔다. 본 논문에서는 표 분류기의 설명가능성을 활용하기 위해, 개념에 의해 이미지를 분류하는 Img2Tabs를 설계한다. Img2Tabs는 StyleGAN 역추정을 통해 이미지 픽셀을 표 형식의 특징으로 인코딩한다. 생성적 특성으로 인해 결과로 얻어진 모든 특징이 분류에 관련되거나 해석 가능하지는 않으므로, Img2Tab 분류기는 StyleGAN 특징으로부터 분류에 관련된 개념을 자동으로 탐색해야 한다. 따라서 우리는 분류 관련성(class-relevancy)과 해석가능성(interpretability)을 동시에 정량화하기 위해 Wasserstein-1 지표를 사용하는 새로운 알고리즘을 제안한다. 이러한 개념 시각화 방법을 통해, 표 분류기가 추출한 중요 특징이 분류에 관련된 개념인지 여부를 정량적으로 조사한다. 그 결과, StyleGAN 특징으로부터 분류 관련 개념을 자동으로 찾아내는 관점에서 Img2Tabs에 가장 효과적인 분류기를 규명한다. 평가에서 우리는 중요도와 시각화를 통해 개념 기반 설명을 제시한다. Img2Tab은 CNN 분류기 및 딥 특징 학습(deep feature learning) 기준 모델과 동등한 수준의 top-1 정확도를 달성한다. 또한, 정확도를 희생하지 않으면서 데이터 편향으로 인한 잘못된 의사결정을 방지하기 위해 사용자가 Img2Tab 분류기를 대화형으로 디버깅할 수 있음을 보여준다. Img2Tab의 소스 및 데모 코드는 https://github.com/songsnim/Img2Tab_pytorch 에서 제공된다.

• 최적화 기반 메타러닝에서, 태스크 전반에 공유된 사전 지식이 태스크 내에서 샘플 수준으로 불균형한 영향을 미친다는 점을 보여준다. • 이러한 불균형은 넓은 손실 분포를 초래하며, 사전 지식과 잘 정렬된 샘플은 낮은 손실 값을 보이는 반면 정렬되지 않은 샘플은 높은 손실 값을 보인다는 것을 확인한다. • 또한 넓은 손실 분포에서 평균으로 계산한 그라디언트는 일반화 성능을 저하시킨다는 것을 실험적으로 입증하는데, 이는 높은 손실 샘플의 기여가 낮은 손실 샘플의 기여에 의해 약화되기 때문이다. • 이 문제를 해결하기 위해, 샘플 인식 정보를 기반으로 그라디언트 노름을 중재(arbitration)하는 새로운 메타러닝 접근법을 제안하여, 사전 지식과 불일치하지만 높은 손실을 갖는 샘플이 충분히 대표되도록 한다. • 실험 결과와 이론적 분석은 제안 방법이 기존 최적화 기반 메타러닝 방법에 비해 경쟁력 있고 일반화 가능한 성능을 달성함을 보여준다. 보지 못한 태스크에 빠르게 적응하는 능력은 소수 샷 학습에서의 근본적인 목표이다. 최적화 기반 메타러닝의 최근 발전은 단 몇 번의 경사하강 단계로 태스크 간 공유 가능한 사전 지식을 학습함으로써 적응성을 향상시켰다. 그러나 우리는 이러한 공유 사전 지식이 태스크 내 개별 샘플에 불균형한 영향을 미칠 수 있으며, 그 결과 사전 지식과 밀접하게 정렬된 샘플은 낮은 손실 값을 보이고 다른 샘플들은 높은 손실 값을 보이는 넓은 손실 분포로 이어질 수 있다고 주장한다. 또한 우리의 실험은 넓은 손실 분포에서 평균으로 계산된 그라디언트가 대표적이지 않고 낮아지는 경향이 있으며, 이로 인해 높은 손실 샘플의 기여가 낮은 손실 샘플에 의해 상쇄되어 일반화 성능이 저하된다는 점을 보여준다. 이를 해결하기 위해, 태스크 적응 과정에서 샘플 인식 정보를 기반으로 그라디언트 노름을 중재하는 새로운 메타러닝 방법을 제안한다. 구체적으로, 우리는 먼저 그라디언트 벡터를 정규화하여 개별 샘플에 대한 사전 지식의 불균형한 영향을 줄인다. 이후 학습 가능한 네트워크인 Arbiter가, 원래 그라디언트 노름과 가중치 노름 사이의 관계를 분석하여 현재 그라디언트 노름을 동적으로 스케일링하는데, 이는 각 샘플에 대한 모델의 민감도와 복잡성을 나타낸다. 이와 같은 방식으로 제안된 방법인 Meta-learning with Gradient Norm Arbitration (Meta-GNA)는, 사전 지식과는 멀리 떨어져 있으나 높은 손실을 갖는 샘플을 적절히 반영하는 더 대표적이고 더 높은 그라디언트를 보존함으로써 일반화 성능을 향상시킨다. 실험 결과는 Meta-GNA가 소수 샷 분류에서 성능을 개선하며, 특히 샘플 간 사전 지식의 불균형이 더 두드러지는 교차 도메인 시나리오에서 두드러진다.