Core Concepts
注意の選択的変調を用いることで、継続学習における分類モデルのパフォーマンスを大幅に向上させることができる。
Abstract
本論文では、生物学的に妥当な注意の選択的変調アプローチ(SAM)を提案している。SAMは、視覚注意の予測を用いて、分類モデルの特徴を変調することで、継続学習の性能を向上させる。
具体的には以下の通り:
視覚注意の予測ネットワークと分類ネットワークを組み合わせ、注意の予測結果を分類特徴の変調に利用する。
注意の予測は、タスクの変化に対して頑健であることが分かっている。一方、分類精度は通常大きく低下する。
SAMを適用することで、継続学習の性能を最大で20ポイント程度向上させることができる。
SAMは、スプリアス特徴や敵対的攻撃に対しても頑健な特徴を学習することができる。
Stats
継続学習タスクにおいて、注意の予測精度(類似度指標)は課題の追加に伴って向上するが、分類精度は大きく低下する。
注意の予測精度を示す類似度指標は、タスクの追加に伴って0.8前後で安定している。
Quotes
"注意の選択的変調を用いることで、継続学習における分類モデルのパフォーマンスを大幅に向上させることができる。"
"注意の予測は、タスクの変化に対して頑健であることが分かっている。一方、分類精度は通常大きく低下する。"