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。
特徴進化学習は,古い特徴が消え,ストリームで学習するとき,新しい特徴が出現する近年,広く研究されている。従来の方法は,通常,ラベルが各時間ステップで予測後に明らかにされると仮定する。しかし,実際には,この仮定は保持されないが,ほとんどの時間ステップでラベルは与えられない。良い解法は,オンラインモデルの精密化を助けるために,以前の類似したデータを利用するために,多様体正則化の技術を活用することであった。それにもかかわらず,この手法は,大きなボリュームに順次到着するストリームによる学習において不可能なすべての以前のデータを保存する必要がある。したがって,それらの部分を貯蔵するバッファが必要である。異なるデバイスが,異なる貯蔵予算を持つかもしれないことを考慮して,学習アプローチは,貯蔵予算限界に柔軟であるべきである。本論文では,特徴進化に稀に提供されるラベルの課題を組込む,ストレージ-Fit特徴-進化可能ストリーミング学習(SF ̄2EL)の新しい設定を提案した。このフレームワークは,ラベルなしデータで特徴進化可能なストリームで学習するとき,異なるストレージ予算にその挙動に適合することができる。さらに,理論的および経験的結果は,著者らのアプローチが,元の特徴進化学習のメリットを保存でき,すなわち,常に最良のベースラインを追跡でき,従って,任意の時間ステップで良好に機能できることを検証した。【JST・京大機械翻訳】