文献

J-GLOBAL ID：202002282836283411   整理番号：20A1441076

生涯生成モデリング【JST・京大機械翻訳】

Lifelong generative modeling

著者 (3件)： Ramapuram Jason (University of Geneva & University of Applied Sciences, HES-SO, 7 route de Drize, 1227 Carouge, Switzerland) ,  Gregorova Magda (University of Geneva & University of Applied Sciences, HES-SO, 7 route de Drize, 1227 Carouge, Switzerland) ,  Kalousis Alexandros (University of Geneva & University of Applied Sciences, HES-SO, 7 route de Drize, 1227 Carouge, Switzerland)
資料名： Neurocomputing  (Neurocomputing)
巻： 404  ページ： 381-400  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 生涯学習は,逐次的な方法で複数の連続タスクを学習する問題であり,そこでは,以前のタスクから得られた知識が保持され,学習者の寿命にわたる将来の学習を支援するのに使用される。それは,それらの周囲に順応できるインテリジェント機械の開発に不可欠である。本研究では,教師なし生成モデリングに対する生涯学習アプローチに焦点を当て,ここでは,学習モデルに新しく観測された分布を連続的に組み入れた。過去のデータも過去のモデルも保持する必要なしに,これまでに見られたすべての分布を学習し保存することを可能にする,学生-教師の変分オートエンコーダアーキテクチャを通している。Bayes更新規則に触発された,新しいクロスモデル正則化器の導入を通して,学生モデルは,確率的知識貯蔵として作用する教師によって学習された情報を利用する。正則化器は,分布のシーケンスを学習するときに現れる破局的干渉の影響を低減する。MNIST,FashionMNIST,Permuted MNIST,SVHN,およびCeleb-Aの逐次バリアントに関する著者らのモデルの性能を検証し,著者らのモデルが逐次学習シナリオにおけるニューラルネットワークによって直面する壊滅的干渉の影響を緩和することを実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 干渉 ,  変分法 ,  *学習 ,  学習モデル ,  ニューラルネットワーク ,  生涯教育 ,  正則化
準シソーラス用語： 学習者 ,  逐次学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 生涯学習 ,  連続学習 ,  変分推論 ,  生成モデリング

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (1件)： モデリング