Core Concepts
제어 시스템을 통해 학습된 모델의 학습 데이터 확장 시 기존 학습 내용을 유지하면서 새로운 데이터를 학습할 수 있는 방법을 제안한다.
Abstract
이 논문은 제어 이론을 활용하여 기계 학습 모델의 미세 조정 및 전이 학습 문제를 다룬다. 기존 방법들은 학습 데이터가 확장될 경우 모델을 완전히 재학습해야 하는 한계가 있었다.
저자들은 이를 해결하기 위해 "tuning without forgetting" 개념을 도입했다. 이는 기존에 학습된 데이터에 대한 성능을 유지하면서 새로운 데이터를 학습하는 방법이다. 구체적으로 다음과 같은 과정을 거친다:
제어 시스템의 종단점 매핑 연산자의 커널 공간에 제어 함수 업데이트를 투영하여 기존 학습 데이터에 대한 성능을 유지하면서 새로운 데이터를 학습한다.
제어 함수 업데이트를 위해 제어 시스템의 선형화된 동역학을 활용한다.
제안된 방법은 학습 데이터 확장에 따른 계산 복잡도 증가 문제를 해결할 수 있다.
이를 통해 기존 방법들의 한계를 극복하고 제어 이론을 활용한 효율적인 미세 조정 및 전이 학습 기법을 제시한다.
Stats
제어 시스템의 상태 천이 행렬 Φ(u,xi)(t, τ)는 시간 t에 대한 선형 시변 방정식을 따른다.
제어 함수 u에 대한 종단점 매핑 연산자 L(u,xi)(δu)는 Φ(u,xi)(T, τ)와 제어 시스템의 벡터 필드 F(x(τ))를 이용하여 계산할 수 있다.
Quotes
"우리는 여기서 미세 조정에 초점을 맞추지만, 우리가 제시하는 원칙은 실제로 더 광범위한 모델 클래스에 적용될 수 있다."
"우리의 방법은 학습 데이터 확장에 따른 계산 복잡도 증가 문제를 해결할 수 있다."