진동 분광법 (vibrational spectroscopy)에 기반한 비파괴 검출 방법은 산업 화학, 약학 및 국방을 포함한 광범위한 응용 분야에서 매우 중요합니다. 최근 딥러닝 (deep learning)이 진동 분광법에 도입되어 큰 잠재력을 보여주고 있습니다. 대규모 레이블링된 데이터 세트를 제공하는 이미지, 텍스트 등과는 달리, 진동 분광 데이터는 매우 제한적이며, 이는 전이 학습 (transfer learning) 및 메타 학습 (meta learning)을 넘어서는 새로운 개념을 요구합니다. 이를 해결하기 위해, 우리는 태스크 강화 증강 네트워크 (task-enhanced augmentation network, TeaNet)를 제안합니다. TeaNet의 핵심 구성 요소는 무작위로 마스킹된 스펙트럼을 입력받아, 원본과 유사하면서도 도메인으로부터 학습된 추가적인 변동성을 포함하는 재구성된 샘플을 출력하는 재구성 모듈 (reconstruction module)입니다. 이러한 증강된 샘플들은 분류 모델을 학습시키는 데 사용됩니다. 재구성 및 예측 부분은 역전파 (back-propagation)를 통해 종단간 (end-to-end) 방식으로 동시에 학습됩니다. 합성 및 실제 데이터 세트 모두에서의 결과는 제안된 방법의 우수성을 검증했습니다. 가장 어려운 합성 시나리오에서 TeaNet은 CNN보다 17% 더 나은 성능을 보였습니다. 우리는 TeaNet과 CNN의 뉴런 반응을 시각화하고 분석하였으며, TeaNet의 판별 파수 (discriminant wavenumbers) 식별 능력이 CNN에 비해 매우 뛰어나다는 것을 발견했습니다. 우리의 접근 방식은 일반적이며 다른 도메인에도 쉽게 적응할 수 있어, 더욱 정확하고 해석 가능한 퓨샷 학습 (few-shot learning)을 위한 솔루션을 제공합니다.