이 논문은 클래스 증분 학습(CIL)에 대한 새로운 접근법을 제안한다. CIL은 순차적으로 일련의 과제를 학습하는 지속적 학습의 어려운 설정이다. 각 과제는 고유한 클래스 집합으로 구성된다. CIL의 핵심 특징은 테스트 시 과제 식별자(task-id)가 제공되지 않는다는 것이다.
저자들은 과제 식별 확률 예측을 위한 새로운 방법인 TPL(Task-id Prediction based on Likelihood Ratio)을 제안한다. TPL은 기존 강력한 CIL 기준선들을 크게 능가하며 거의 없는 재앙적 망각을 보인다.
TPL은 두 가지 핵심 기술로 구성된다:
실험 결과, TPL은 평균 증분 정확도와 마지막 과제 학습 후 정확도 측면에서 기존 방법들을 크게 능가한다. 또한 재앙적 망각이 거의 없다.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Haowei Lin,Y... klo arxiv.org 03-14-2024
https://arxiv.org/pdf/2309.15048.pdfSyvällisempiä Kysymyksiä