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。
機械知能に対する重要課題は,以前に得られた知識を忘れることなく新しい視覚概念を学習することである。継続的な学習は,この課題に対処することを目的とする。しかし,既存の教師付き連続学習と人間のような知能の間にはギャップがあり,そこでは,人間がラベル付きおよびラベルなしデータの両方から学習できる。ラベルなしデータが学習と破滅的忘却にどう影響するかは,継続的な学習過程では未知のままである。これらの問題を探索するために,既存の連続学習モデルに一般的に適用される新しい半教師つき連続学習法を定式化した。特に,ラベル付きデータから新しい勾配学習者が学習し,ラベルなしデータの勾配を予測する。したがって,ラベルなしデータは教師つき連続学習法に適合することができた。従来の半教師つき設定と異なり,非ラベルデータに関連する基礎となるクラスは学習過程として知られている。言い換えれば,ラベルなしデータはラベル付きデータとは非常に異なった。主流連続学習,敵対的連続学習,および半教師つき学習タスクに関する提案方法を評価した。提案方法は,半教師つき学習設定における分類精度に関する望ましい性能を達成しながら,連続学習設定における分類精度と後方移動に関する最先端の性能を達成した。これは,ラベルなし画像が,非意味データに関する予測能力に関する連続的学習モデルの一般化可能性を強化することができて,壊滅的忘却を著しく軽減することを意味した。このコードは,ウルル{https://github.com/luoyan407/grad_prediction.git}で利用可能である。【JST・京大機械翻訳】