Core Concepts
ユーザー定義の増分学習設定に適したアルゴリズムを推奨するために、将来のデータストリームをシミュレーションする手法を提案する。
Abstract
本論文では、ユーザーが定義した増分学習設定に適したデータフリー型クラス増分学習(DFCIL)アルゴリズムを推奨する手法を提案している。
まず、初期クラスと同じ視覚ドメインの将来クラスを生成するために、言語モデルと生成モデルを使ってシミュレーションデータセットを構築する。
次に、候補となるDFCILアルゴリズムをシミュレーションデータセットで評価し、最も良いパフォーマンスを示すアルゴリズムを推奨する。
3つの大規模データセットを用いた6つの増分学習シナリオの評価では、提案手法が既存手法よりも優れた性能を示した。
特に、言語モデルと生成モデルを組み合わせたSimuGenアプローチが最も良い結果を得た。
本手法は、ユーザーの増分学習設定に合わせてアルゴリズムを柔軟に推奨できるという点で有用である。
Stats
初期クラスの数が500、増分ステップ数が101の場合、FeCAMアルゴリズムの平均増分精度は67.80%である。
初期クラスの数が100、増分ステップ数が10の場合、FeCAMアルゴリズムの平均増分精度は57.22%である。
初期クラスの数が20、増分ステップ数が50の場合、FeCAMアルゴリズムの平均増分精度は35.12%である。
Quotes
"本手法は、ユーザーが定義した増分学習設定に適したアルゴリズムを柔軟に推奨できる点で有用である。"
"特に、言語モデルと生成モデルを組み合わせたSimuGenアプローチが最も良い結果を得た。"