적은 샘플로 새로운 클래스를 학습하는 FSCIL에서 기존 방법은 새로운 클래스 샘플을 기본 클래스로 오분류하는 경향이 있어요. 이는 새로운 클래스 샘플에 대한 기본 클래스 차별화 영역에 과도하게 집중하는 데서 비롯된 문제점이에요.
연구진은 모델의 기본 클래스 학습 과정에서 발생하는 지역적 단축키를 식별하고, 이를 완화하기 위해 공통 및 차별적 원시 집합을 학습하는 방법론을 제안했어요.
표준 FSCIL 벤치마크 실험 결과, 제안 방법은 기존 최고 성능 모델보다 정확도와 해석 가능성 모두에서 개선된 결과를 보여줬어요.