one-shot learning

One Shot Learning

SK Telecom Video Tech. Lab.김지성 Manager

Contents

Why do we need one-shot learning?

What is one-shot learning?

How to do “one-shot learning”

Recap

종합기술원

미래기술원

Lab Introduction using Backpropagation

Video Tech. Lab

One Shot Learning: Learning a class froma single labelled example

Giraffe Classification

VS

어린이는 한 장의 기린 사진을 통해기린이라는 Class의 Concept을

학습 가능함

DNN은 한 class를학습하기 위해

수백장 or 수천장필요함

Korean Food Classifier

CNN Architecutre

…

1. Batch Size (ex. 256장)씩 학습한다. (120만장씩 90번)2. 최적화는 Gradient based Optimization

( Extensive, Incremental Training on Large DB )3. 새로운 Image에 대한 학습 반영이 느리다.4. 그러므로 One-Shot Learning에 적합하지 않다!

Machine Learning Principle: Test and Train conditionsMust Match.

Matching Networks Architecutre (deepmind, ‘16)

1. Test 할 때 1장만 보여주면서 학습할 때 수백장 보여주는게 좋을까?2. 학습할 때도 한 class당 한장씩 만 보여주어야 한다! (or 5장)3. g, f 는 입력을 embedding 하는 neural network (VGG, Inception)4. Embedding을 통해 나온 feature vector들 사이의 유사도를 구한다. 5. 유사도의 weighted sum을 통해 최종 Test label을 결정

Matching Networks Architecutre

: Test Example

Attention by Softmax & Cosine distance

Candidate : Chihuahua

Test Input : Shepherd

Candidate : Retriever

Candidate : Siberian Husky

Candidate : Shepherd

fc7 : 4096 dim

CNN

CN

N

: Test Label: Training Set


: Test Example

It’s differentiable! End to End Nearest Neighbour Classifier

Candidate : Chihuahua

Test Input : Shepherd

Candidate : Retriever

Candidate : Siberian Husky

Candidate : Shepherd

fc7 : 4096 dim

CNN

CN

N

: Test Label: Training Set

CN

N

CN

N

CN

N

Bi-LSTM

LSTM


CN

NCN

NCN

NCN

N

Bi-LSTM

fc7 : 4096 dim

fc7 : 4096 dim

fc7 : 4096 dim

fc7 : 4096 dim

Matching Networks Result

Recap

Why do we need one-shot learning?If there is a few data for training/testing

What is one-shot learning?Learning a class from a single labelled example

How to do “one-shot learning”Start with Omniglot Example

import tensorflow as tf

Face Recognition

Appendix

One-Shot Learning

How can we learn a novel concept from a few examples? (random guess will be 1/N)

Korean

Problem Setting - Training

Problem Setting - Training

Greek

Problem Setting - Testing

1 Angelic

2 Oriya

3 Tibetan

4 Keble

5 ULOG

1 Angelic ?

2 Oriya

3 Tibetan ?

4 Keble

5 ULOG? = 1/N

한번은 정답을 알려준다. (One-shot)

새로운 Character에 대해 Test (5지 선다)

Recent Papers about One Shot Learning

One-shot Learning with Memory-Augmented Neural Networksa) Submitted on : 16.05.19b) Written by : Deep Mindc) Link : https://arxiv.org/abs/1605.06065

Matching Networks for One Shot Learninga) Submitted on : 16.06.13b) Written by : Deep Mindc) Link : https://arxiv.org/abs/1606.04080

https://arxiv.org/abs/1605.06065

https://arxiv.org/abs/1606.04080

One Shot Learning withMemory AugmentedNeuralNetwork

MANN Architecture

RAM

CPU

Neural Turing Machine vs Memory Augmented Neural Network

1. MANN은 NTM의 변형이다.2. Controller는 Feed Forward NN or LSTM을 사용하였다.3. 기존 NTM은 복사, 정렬등의 알고리즘을 학습하는데 사용하였지만 이

논문에서는 One-shot Learing에 사용4. 빠른 학습을 위해 Memory에 Write할 때 가장 적게 사용된 메모리 or

가장 최근에 사용된 메모리에 Write함 (LRUA)5. 그렇다면 기본적인 질문?! 왜 Augmented Memory가 필요할까?

Why do we need Differentiable Memory?

잘 알려진 것 처럼 CNN is good for spatial structure (Image, … )

RNN is good for temporal structure (Audio, …)

Augmenting Neural Nets with a Memory Module

CNN + RNN is good for spatiotemporal structure (Video, …)

그렇다면 아주 간단한 Question & Answering 문제에서도CNN 및 RNN or 그 조합이 잘 동작하는가?


bAbI task Example Story

Sam moved to the garden.Mary left the milk.John left the football.Daniel moved to the garden.Sam went to the kitchen.Sandra moved to the hallway.Mary moved to the hallway.Mary left the milk.Sam drops the apple there.

Q : Where was the apple after the garden?


즉! Data가 out-of-order인 경우 기존 CNN, RNN으로는 잘 해결되지 않는다.현재 아래 구조의 data들에 대해서는 아직 다양한 노력 中

1. Out-of-order access (순차적이지 않은 접근)2. 장기 기억3. 정렬되지 않은 data

Differentialble Memory : MemN2N

1. 단어를 one-hot vector로 변형한 뒤 A, B, C matrix를 통해 문장을 메모리화2. Embedding 된 질문 문장(u)과의 inner product를 통해 Attention 결정3. 구해진 attention과 입력 Output Memory와의 weighted sum을 통해

output matrix o 구함4. 최종적으로 Softmax(W(u+o))를 고려해 답을 도출

MANN - Task Setup

1. : Training Set2. 입력이미지는 105 x 105 20 x 20 400 x 1 로 flatten3. Time off-set labels 을 사용 (x_t, y_t-1) 하여 현재 결과가 다음

입력으로 들어가도록 구성

MANN - Network Strategy

1. Episode = Task 학습에 사용한 Sequence (x_t, y_t-1)2. 1 episode의 길이는 5 classes 일 경우에는 50, 10 classes일

경우에는 1003. 학습은 이런 episode를 10만번 수행 하여 결과 도출

MANN - Network Strategy

1. Time off-set labels 을 사용 (x_t, y_t-1) 하여 현재 결과가 다음입력으로 들어가도록 구성

2. External Memory에는 (image, label) 쌍으로 저장해 놓는다.3. External Memory에 새로 입력된 이미지와 유사도가 큰 이미지가

있으면 Read해서 결과를 도출한다.

Omniglot classification - LSTM (5 way)

Omniglot classification - MANN (5 way)

Omniglot classification - LSTM (15 way)

Omniglot classification - MANN (15 way)

Human vs MANN

1. 사람에게도 동일하게 한장의 사진을 보여준 뒤 1-5 사이의 숫자를선택하게 하고 매 Instance 마다 정답을 알려줄 경우 1-shot의경우 57.3% 정확도

2. 하지만 MANN은 82.8 % 정확도3. 앞에서 설명한 Matching Net은 98.1% 정확도

Summary

1. Internal Memory (CNN, RNN)는 새로운 information을Internal Memory(Weights) 에 반영하는 속도가 느림.

2. External Memory (MemN2N, NTM)을 사용하면 빠르게새로운 정보를 저장하고 검색하는 것이 가능함. (MANN)

3. Deep Neural Feature에 대한 Metric Learning 과 External Memory의 아이디어를 결합하여 Matching Network를제안함

4. 학습에 필요한 이미지가 충분하지 않을 경우 큰 장점이있지만 반대의 경우에는 State-of-the Art 대비 열세

one-shot learning

Data & Analytics