Core Concepts
訓練セットが拡張された場合でも、既に学習した点の性能を保ちつつ新しい点を学習する制御理論に基づくファインチューニングの手法を提案する。
Abstract
本論文では、制御理論に基づくファインチューニングの手法を提案している。
まず、訓練セット(X, Y)に対して、制御システム ẋ = f(x, u)がuを通じてそのペアを学習できる条件を示す。次に、訓練セットが拡張された場合でも、既に学習した点の性能を保ちつつ新しい点を学習する「忘れずにチューニングする」手法を提案する。
具体的には、各更新ステップにおいて、制御uをこれまでに学習した点によって生成される終点写像の核に射影することで、既に学習した点の終点を一次近似の範囲で一定に保ちつつ、新しい点を順次学習していく。
この手法により、訓練セットの拡張に柔軟に対応できるスケーラブルな制御手法を実現している。数値実験の結果、提案手法が既存のファインチューニング手法に比べて優れた性能を示すことを確認している。
Stats
制御システムẋ = f(x, u)は、入力集合Xと出力集合Yの各点ペアを学習できるための十分条件は、ベクトル場f1, ..., fpが括弧生成であること。
提案手法の計算量はO(PMn^2_i)であり、既存のM-folded法のO(PM^2n^2_i)に比べて低い。
Quotes
"訓練セットが拡張された場合でも、既に学習した点の性能を保ちつつ新しい点を学習する「忘れずにチューニングする」手法を提案する。"
"各更新ステップにおいて、制御uをこれまでに学習した点によって生成される終点写像の核に射影することで、既に学習した点の終点を一次近似の範囲で一定に保ちつつ、新しい点を順次学習していく。"