One-Shot Learning (원-샷 학습)

📌 한 줄 통찰 (The Karpathy Summary)

"수만 번의 반복 대신 단 한 번의 조우로 대상을 각인하고, 낯선 환경에서도 즉각적인 통찰을 발휘하라" — 각 카테고리당 단 하나의 학습 샘플만으로도 새로운 데이터를 정확히 분류해내는 고도의 일반화 학습 체계.

추출된 패턴: "Similarity-based Discriminative Learning" — 클래스의 특징을 직접 배우는 대신, 두 데이터가 '얼마나 닮았는지'를 측정하는 법을 배워(Metric Learning), 한 번도 본 적 없는 새로운 클래스가 들어와도 기존 데이터와의 거리 비교를 통해 정체를 파악하는 패턴.
주요 기법:
- Siamese Networks: 두 입력을 동일한 네트워크에 통과시켜 출력 벡터 사이의 거리를 최소화/최대화하도록 학습.
- Matching Networks: 어텐션 메커니즘을 활용하여 서포트 세트(Support set) 내의 샘플들과 비교.
- Prototypical Networks: 각 클래스의 대표 지점(Prototype)을 설정하고 거리 기반 분류 수행.
의의: 얼굴 인식(새로운 사람 등록), 서명 검증 등 데이터 수집이 어렵거나 실시간으로 새로운 카테고리가 추가되는 환경에서 AI의 실용성을 극대화함.

과거 데이터와의 충돌: 초기에는 특수한 구조(Siamese 등)가 필요했으나, 이제는 거대 언어 모델(LLM)이나 멀티모달 모델이 사전 학습 과정에서 얻은 방대한 지식을 바탕으로 자연스럽게 원-샷/제로-샷 능력을 발휘하는 인-컨텍스트 학습(In-context Learning)이 대세가 됨.
정책 변화: Antigravity 프로젝트는 사용자가 새롭게 정의한 커스텀 명령어(Custom Skill)를 에이전트가 단 한 번의 예시만으로도 정확히 이해하고 실행할 수 있도록 원-샷 프롬프팅 최적화 기술을 적용함.

Few-Shot-Learning, Meta-Learning-in-AI, Transfer-Learning-Foundations, Distance-Metrics-in-AI
Raw Source: 10_Wiki/Topics/AI/One-Shot-Learning.md