본 논문은 대규모 데이터로 사전 훈련된 기초 모델이 다양한 자연 이미지 하위 작업에서 성공을 거두고 있지만, 매개변수 효율적인 미세 조정(PEFT) 방법의 효과, 특히 의료 이미지 분석과 같은 도메인 간 소량 학습 시나리오에서의 효과는 완전히 탐구되지 않았다는 점을 지적합니다. 이에 따라, 기초 모델을 의료 이미지 분류 작업에 적용할 때 PEFT의 성능을 연구하고, 기존 프롬프트 튜닝 방법의 한계를 완화하기 위해 확장된 채널에 프롬프트 토큰을 임베딩하는 Embedded Prompt Tuning (EPT) 방법을 제안합니다. EPT는 사전 훈련 과정 중 기초 모델의 특징 공간 분포의 이상 현상을 완화하고, 프롬프트 튜닝을 분포 보정기로서 해석하는 새로운 관점을 제시합니다. 실험 결과, EPT는 소량 학습 의료 이미지 분류 작업에서 여러 최첨단 미세 조정 방법보다 훨씬 우수한 성능을 보였으며, 경쟁력 있는 시간 내에 미세 조정 과정을 완료했습니다.
