본 논문은 제한된 데이터로 새로운 클래스를 학습하면서 이전에 학습한 클래스에 대한 성능을 유지하는 몇 번의 시도만으로 클래스 증분 학습(FSCIL)을 가능하게 하는 새로운 유추 생성 방법을 제안합니다. 기존 FSCIL 방법들은 제한된 새로운 클래스 데이터로 매개변수 미세 조정이 필요하며, 새로운 클래스 학습과 기존 지식 활용 간의 분리가 문제점으로 지적됩니다. 인간 뇌의 유추 학습 메커니즘에서 영감을 받아, 매개변수 미세 조정 없이 기존 클래스로부터 새로운 클래스 가중치를 유도하는 뇌-영감 유추 생성기(BiAG)를 제시합니다. BiAG는 가중치 자기 주의 모듈(WSA), 가중치 및 프로토타입 유추 주의 모듈(WPAA), 의미 변환 모듈(SCM)의 세 가지 구성 요소로 이루어져 있으며, SCM은 신경 붕괴 이론을 사용하여 의미 변환을 수행하고, WSA는 새로운 클래스 가중치를 보완하며, WPAA는 유추를 계산하여 새로운 클래스 가중치를 생성합니다. miniImageNet, CUB-200, CIFAR-100 데이터셋 실험 결과, 기존 최고 성능 방법들보다 높은 최종 및 평균 정확도를 달성함을 보여줍니다.
