抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
既存の連続学習法は,訓練を促進し,タスクの一般化を改善するために,バッチ正規化(BN)を使用する。しかし,連続学習データの非i.i.dおよび非定常性,特にオンライン設定において,BNにおける訓練と試験の間の不一致を増幅し,高齢タスクの性能を妨げる。本研究では,BNが現在のタスクに対して偏ったモーメントを用いてテストデータを正規化するオンライン連続学習におけるBNの交差タスク正規化効果を研究し,より高い破滅的忘却をもたらした。この限界は,そのマイナス効果を緩和すると同時に,BNと類似の訓練を容易にするために,連続正規化(CN)と呼ぶ簡単で効果的な方法を提案する。異なる連続学習アルゴリズムとオンラインシナリオに関する広範な実験は,CNがBNの直接置換であり,実質的な性能改善を提供できることを示した。著者らの実装は,ウルル{https://github.com/phquang/Continual Normalization}で利用可能である。【JST・京大機械翻訳】