Core Concepts
Ein neuer Ensemble-Modell-Rahmen, der mit Datenaugmentierung und selbstüberwachtem Lernen kombiniert wird, kann das Überfittingproblem in inkrementellen Lernaufgaben mit wenigen Beispielen effektiv mildern und die Leistung im Vergleich zu State-of-the-Art-Methoden deutlich verbessern.
Abstract
Der Artikel präsentiert eine neue Methode für das inkrementelle Lernen mit wenigen Beispielen (Few-Shot Class-Incremental Learning, FSCIL), bei der zwei Hauptherausforderungen adressiert werden: Überanpassung an die seltenen neuen Trainingsdaten und katastrophales Vergessen von alten Klassen.
Um das Überanpassungsproblem anzugehen, wird ein neuer Ensemble-Modell-Rahmen entwickelt, der mit Datenaugmentierung kombiniert wird, um die Generalisierung zu verbessern. Die Ensemble-Struktur mit mehreren Eingaben und Ausgaben wird mit einer räumlich-bewussten Datenaugmentationsstrategie eingesetzt, um die Merkmalsextraktion zu diversifizieren und das Überanpassungsproblem in inkrementellen Lernphasen abzumildern. Darüber hinaus wird selbstüberwachtes Lernen integriert, um die Modellgeneralisierung weiter zu verbessern.
Die umfassenden experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode das Überanpassungsproblem in FSCIL tatsächlich mildern und die State-of-the-Art-Methoden übertreffen kann.
Stats
Das vorgeschlagene Ensemble-Modell kann in der ersten Lernphase eine Genauigkeit von über 81% auf dem miniImageNet-Datensatz erreichen.
Die Leistungsabnahme vom ersten zum letzten Lernschritt beträgt nur 24,75% auf dem miniImageNet-Datensatz, was deutlich besser ist als der Stand der Technik.
Auf dem CUB200-Datensatz erreicht die Methode im letzten Lernschritt eine Genauigkeit von 57,09%, was 1% besser ist als der beste Vergleichswert.
Quotes
"Um das Überanpassungsproblem anzugehen, wird ein neuer Ensemble-Modell-Rahmen entwickelt, der mit Datenaugmentierung kombiniert wird, um die Generalisierung zu verbessern."
"Darüber hinaus wird selbstüberwachtes Lernen integriert, um die Modellgeneralisierung weiter zu verbessern."