深層ニューラルネットワークによる連続学習の全体像:忘れられた教訓とアクティブおよびオープン世界学習へのブリッジ【JST・京大機械翻訳】

Mundt Martin; Hong Yongwon; Pliushch Iuliia; Ramesh Visvanathan

プレプリント

J-GLOBAL ID：202202210672371685 整理番号：22P0187686

深層ニューラルネットワークによる連続学習の全体像:忘れられた教訓とアクティブおよびオープン世界学習へのブリッジ【JST・京大機械翻訳】

A Wholistic View of Continual Learning with Deep Neural Networks: Forgotten Lessons and the Bridge to Active and Open World Learning

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 (4件)： , , ,
資料名：
発行年： 2020年09月03日プレプリントサーバーでの情報更新日： 2023年01月23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)

現行の深層学習法は,それらが専用の試験セットで経験的に機能するならば,好ましいと見なされる。この精神性は連続学習の復活領域にシームレスに反映され,そこで連続的に到着するデータを調べる。コアチャレンジは,以前に獲得した表現を壊滅的忘れから保護する。しかし,個々の方法の比較は,蓄積されたベンチマークテストセット性能を監視することによって,実世界からの分離において実行される。閉じた世界仮定は支配的であり,すなわち,訓練のために使用された同じ分布から生じると保証されるデータに関して,モデルを評価した。これは,ニューラルネットワークが未知で崩壊したインスタンスに関して過度の誤った予測を提供することが知られているので,大規模な挑戦を提起する。本研究では,文献を批判的に調査して,オープンセット認識からの注目すべき教訓,観察された集合の外の未知例,およびアクティブ学習の隣接分野,期待される性能利得を最大にするための質問データを,深い学習時代においてしばしば見落としていると主張した。したがって,深層ニューラルネットワークにおける連続学習,能動学習およびオープンセット認識を橋渡しするための統合見解を提案した。最後に,確立された相乗効果を経験的に支持し,破滅的忘却,質問データ,タスク順序の選択,およびロバストなオープン世界アプリケーションの軽減における共同改良を示した。【JST・京大機械翻訳】

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

人工知能

, , , ,

前のページに戻る