데이터 기반 머신러닝 응용 분야에서 개인 정보 보호 문제와 라벨링된 데이터 부족은 중요한 과제입니다. 특히 제한된 라벨링된 데이터로 학습하는 능력이 중요한 몇 번의 학습(few-shot learning) 분야에서 이러한 문제는 더욱 두드러집니다. 개인 정보 보호를 고려한 몇 번의 학습 알고리즘이 이러한 과제를 해결하기 위한 유망한 해결책으로 등장했습니다. 하지만 개인 정보 보호 기술은 데이터 개인 정보 보호와 모델 성능 간의 근본적인 상충 관계로 인해 유용성 저하를 초래하는 것으로 잘 알려져 있습니다. 개인 정보 보호를 고려한 몇 번의 학습 방법의 유용성을 향상시키기 위해, 본 논문에서는 Meta-Clip이라는 새로운 방법을 제시합니다. 이 기술은 차등적 개인 정보 보호(DP) 모델 비의존적 메타 학습, DP-Reptile, DP-MetaSGD 알고리즘을 포함한 메타 학습 알고리즘을 위해 특별히 설계되었으며, 데이터 개인 정보 보호와 학습 용량 극대화 간의 균형을 목표로 합니다. 적응형 클리핑 방법을 통해 훈련 과정에서 클리핑 임계값을 동적으로 조정함으로써 민감한 정보의 공개를 세밀하게 제어하고, 작은 데이터 세트에서 과적합을 완화하며 메타 학습 모델의 일반화 성능을 크게 향상시킵니다. 다양한 벤치마크 데이터 세트에 대한 포괄적인 실험을 통해 기존의 개인 정보 보호 기술과 비교하여 유용성 저하를 최소화하고 우수한 개인 정보 보호-유용성 절충안을 보여주는 본 접근 방식의 효과를 입증합니다. 적응형 클리핑의 채택은 개인 정보 보호를 고려한 몇 번의 학습 분야에서 상당한 발전을 나타내며, 특히 데이터 가용성이 제한된 시나리오에서 실제 응용 프로그램을 위한 안전하고 정확한 모델 개발을 가능하게 합니다.
