文献

J-GLOBAL ID：202202259252115891   整理番号：22A0104531

画像分類におけるオンライン連続学習:経験的調査【JST・京大機械翻訳】

Online continual learning in image classification: An empirical survey

著者 (6件)： Mai Zheda (Department of Mechanical and Industrial Engineering, University of Toronto, 5 King’s College Road, Toronto, ON M5S3G8, Canada) ,  Li Ruiwen (Department of Mechanical and Industrial Engineering, University of Toronto, 5 King’s College Road, Toronto, ON M5S3G8, Canada) ,  Jeong Jihwan (Department of Mechanical and Industrial Engineering, University of Toronto, 5 King’s College Road, Toronto, ON M5S3G8, Canada) ,  Quispe David (Department of Mechanical and Industrial Engineering, University of Toronto, 5 King’s College Road, Toronto, ON M5S3G8, Canada) ,  Kim Hyunwoo (LG AI Research, 128, Yeoui-daero, Yeongdeungpo-gu, Seoul, South Korea) ,  Sanner Scott (Department of Mechanical and Industrial Engineering, University of Toronto, 5 King’s College Road, Toronto, ON M5S3G8, Canada)
資料名： Neurocomputing  (Neurocomputing)
巻： 469  ページ： 28-51  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 画像分類のためのオンライン連続学習は,データおよびタスクのオンラインストリームから画像を分類する学習の問題を,タスクが新しいクラス(クラスインクリメンタル)またはデータ非定常性(ドメインインクリメンタル)を含むかもしれない。継続的な学習の鍵となる課題の一つは,より最近のタスクの存在において,破滅的忘却(CF),すなわち,古いタスクを忘れることである。過去数年にわたり,連続学習問題に取り組むために,広範囲の方法とトリックが導入されているが,多くの現実的および実用的な設定の下では,かなり,そして,系統的に比較されていない。種々のアプローチの相対的利点と,それらが最良に働く設定をよりよく理解するために,この調査は,(1)最大干渉検索(MIR),iCARL,およびGDumb(非常に強いベースライン)のような最先端の方法を比較し,また,CFの重要なソースをよりよく理解するだけでなく,異なる記憶とデータ設定で最良に働くかを決定することを目的とする。(2)最良のオンラインクラスインクリメンタル法がドメインインクリメンタル設定において競合するかどうかを決定する。(3)”レビュー”トリックと最も近いクラス平均(NCM)分類器のような7つの単純だが効果的なトリックの性能を評価し,それらの相対的影響を評価した。(1)に関して,iCaRLが記憶バッファが小さいとき,競合性を維持することを観察した。GDumbは,中規模データセットにおいて多くの最近提案された方法よりも優れており,MIRは大規模データセットにおいて最良である。(1)に対して,GDumbは,非常に貧弱であるが,MIRは,非常に異なる(しかし,重要な)継続的な学習設定において,強く競合する。全体として,これは,MIRが,広範囲の設定にわたって,全体的に強力で多目的なオンライン連続学習法であることを結論づけることができる。最後に,著者らは,すべてのトリックが有益であり,「レビュー」トリックとNCM分類器で拡張するとき,MIRはオフライン訓練をマッチングする究極の目標にはるかに近いオンライン連続学習をもたらす性能レベルを生成することを見出した。著者らのコードはhttps://github.com/RaptorMai/online-continual-learningで利用可能である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 干渉 ,  *学習 ,  基準線 ,  中規模
準シソーラス用語： *画像分類 ,  *オンライン ,  オフライン ,  大規模データセット , 【Automatic Indexing@JST】

著者キーワード (5件)： 増分学習 ,  連続学習 ,  生涯学習 ,  破局的忘却 ,  オンライン学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 画像分類 ,  オンライン ,  学習 ,  経験的調査