Core Concepts
Ein prototypbasierter Ansatz namens Continually Learning Prototypes (CLP) ermöglicht autonomen Robotern kontinuierliches Lernen in offenen Welten, einschließlich Erkennung von Neuheiten, wenig-Schuss-Lernen und semi-überwachtes Lernen, ohne Katastrophales Vergessen.
Abstract
Der Artikel präsentiert einen prototypbasierten Ansatz namens Continually Learning Prototypes (CLP) für kontinuierliches Lernen autonomer Roboter. CLP ist in der Lage, aus einem kontinuierlichen Datenstrom online zu lernen, ohne dabei katastrophales Vergessen zu erleben. Es kann Neuheiten erkennen und diese ohne Aufsicht lernen, sowie wenig-Schuss-Lernen und semi-überwachtes Lernen durchführen.
Der Kern des CLP-Algorithmus sind Prototypen, die als Repräsentanten für Merkmalsvektoren dienen. CLP verwendet eine dynamische Anpassung der Lernrate für individuelle Prototypen, inspiriert von der Metaplastizität in biologischen Neuronen. Dies ermöglicht es, die Stabilität-Plastizität-Dilemma zu adressieren und katastrophales Vergessen zu verhindern.
Darüber hinaus kann CLP mehrere Prototypen pro Klasse lernen, um komplexe Klassen mit multimodalen Verteilungen zu erfassen. Der Algorithmus nutzt einen Neuheits-Erkennungsmechanismus, um neue Klassen zu entdecken und diese dann ohne Aufsicht zu lernen. Sobald Etiketten für diese neuen Klassen verfügbar werden, kann CLP sie in einem semi-überwachten Lernprozess integrieren.
Die Experimente auf dem OpenLORIS-Datensatz zeigen, dass CLP im überwachten kontinuierlichen Lernen den Stand der Technik übertrifft. Außerdem demonstriert CLP eine überlegene Neuheits-Erkennung und Lernfähigkeit für neue Klassen ohne Aufsicht, während es die Genauigkeit für die Basisklassen beibehält.
Stats
Die Genauigkeit von CLP auf den Basisklassen beträgt bis zu 99%.
CLP erreicht eine Genauigkeit von 76% beim 10-Schuss-Lernen neuer Klassen ohne Aufsicht.
Quotes
"CLP reliably learns novel classes in a few shots and without supervision, thanks to its superior novelty detection, while still remembering the base classes with minimal loss of accuracy."