生涯生成モデリング【JST・京大機械翻訳】

Ramapuram Jason; Gregorova Magda; Kalousis Alexandros

プレプリント

J-GLOBAL ID：202202206479207650 整理番号：22P0040910

生涯生成モデリング【JST・京大機械翻訳】

Lifelong Generative Modeling

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2017年05月27日プレプリントサーバーでの情報更新日： 2020年09月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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。【JST・京大機械翻訳】

, , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , システム・制御理論一般

前のページに戻る