연구진은 시각-언어 모델(VLM)의 소수 샘플 적응 성능을 평가하는 기존 벤치마크의 현실성 문제를 제기했어요.
새로운 벤치마크는 클래스 균형과 유효 클래스 수를 디리클레 샘플링으로 다양하게 변화시켜 기존 방법들의 성능 저하를 확인했어요.
PRiSM은 클래스 프로토타입 정규화를 도입하여 성능을 개선했으며, 클래스 간 거리를 최대화하고 지원-특징 정렬 및 기본 프로토타입 충실도를 높이는 새로운 손실 함수를 최적화했어요.
PRiSM은 기존 방법 위에 바로 적용 가능하며, 심각한 클래스 불균형과 많은 클래스 수에서 큰 성능 향상을 보여줬어요.